當前位置:
首頁 > 最新 > 谷歌傻瓜式深度學習工具來了!李飛飛&李佳里程碑式大招

谷歌傻瓜式深度學習工具來了!李飛飛&李佳里程碑式大招

昨天晚上,谷歌又搞了件大事!

谷歌的兩位AI明星女科學家——李飛飛和李佳聯合宣布,谷歌正式推出Cloud AutoML,通過在網頁上選定你的需求(比如「我要一個能夠識別客廳的AI模型」)、再上傳少量素材(比如「100張客廳的照片」),系統就可以自動生成這個AI模型!

這是自從李飛飛和李佳加入谷歌后一個里程碑式的大招,據兩人介紹,目前CloudAI團隊推出了10多個AI產品,超過1萬家公司在使用。

這也就意味著,原先需要眾多AI工程師、AI科學家才能搭建好的深度神經網路模型,現在每個人都能夠在自己的電腦上通過滑鼠點擊、拖拽圖片等行為自動生成,一行代碼都不需要編寫,最快只需要幾分鐘就能自己造一個AI模型出來——是不是很黑科技?

而如果一家公司想要用此打一個完整的商用模型,也只需要一天的時間。

AutoML界面

雖然現在開放出來的只有Cloud AutoML Vision功能,能夠定製化生成用於特定圖像識別的AI模型。但是李佳和李飛飛都表示未來Cloud AutoML的覆蓋範圍將會更廣,囊括圖像、語音、NLP等方面。

谷歌之所以能做到這麼黑科技,這其中與兩個關鍵技術息息相關,一個是增強學習(Reinforcement Learning),一個是遷移學習(Transfer Learning),後文將會詳細介紹。

過去,谷歌已經成功用深度學習訓練了很多圖像識別、機器翻譯等模型。接下來,通過遷移學習(Transfer Learning)將已訓練完成的模型,轉移到新的模型訓練過程,就能夠用用戶上傳的較少量的資料,通過增強學習(Reinforcement Learning)訓練出機器學習模型。

目前Cloud AutoML還處在Alpha免費測試階段,想要嘗鮮的同學可以現在去https://services.google.com/fb/forms/cloudautomlalphaprogram/ 網站申請了。


一、三大優勢:更好、更快、更簡單

在建立模型的過程中,所有演演算法組合的可能性非常多,手動設計模型非常困難,而且AI專家、AI工程師們投入大量的時間與精力去研發。

谷歌就是這樣,在過去的這些年裡,谷歌已經成功打造了眾多機器學習模型,每個都需要耗費大量資源,需要不斷做實驗和重新調整參數。

在這個過程中谷歌團隊開始思考,有沒有辦法讓AI建模的方式簡單化,甚至讓AI自己設計AI模型呢?

在花上了好幾年時間後,谷歌開始尋找可以自動設計機器學習模型的方法,最終谷歌透過演化式(Evolutionary)和增強式(Reinforcement)演演算法打造了AutoML。

2017年5月時,谷歌正式宣布了AutoML項目,2017年10月,它已經可以打造出比研究人員自身更棒的機器學習AI模型。而今天,谷歌正式將它作為雲服務開放出來,並且介紹了以下三個優勢:

準確率提高:Cloud AutoML Vision的基礎是Google領先的圖像識別方法,包括遷移學習和神經結構搜索技術(neural architecture search technology)。這意味著即使您的企業的機器學習專業知識有限,您也可以獲得更準確的模型。

生產就緒模型的周轉時間更快:使用Cloud AutoML,您可以在幾分鐘內創建一個簡單的模型,來試用您的AI應用程序,或者在一天內構建完整的生產就緒模型。

容易使用:AutoML Vision提供了一個簡單的圖形用戶界面,可讓您指定數據,然後將這些數據轉換為針對特定需求而定製的高質量模型。


二、增強學習:連AlphaGo Zero都在用的黑科技

剛剛說到谷歌之所以能做到這麼黑科技,這其中與幾個關鍵技術息息相關,一個是增強學習,一個是遷移學習——我們先來講講增強學習(Reinforcement Learning)

如果大家還記得AlphaGo Zero,它橫掃千軍的秘密就是在於增強學習。

增強學習與我們常聽說的「深度學習」不同,在深度學習里,你需要用大量的數據去訓練神經網路。

比如你將一張車的圖片給機器看,並且告訴它這是車,下次它就會說出「車」。如果你給他展現出別的,它還說車,你就告訴它「你錯了。」久而久之的,它就能認出車來,原理其實很簡單,但是對數據量的要求非常大。

而在增強學習中,相當於你不告訴機器這個參數應該怎麼設定,等它隨機調整了一個參數後,如果結果是好的,那麼給它獎勵,如果結果是不好的,那麼給它懲罰,但是不告訴它哪一步做錯了,久而久之機器會自己摸索出一套最佳方案來。

增強學習極大減少了數據的依賴,尤其是在規則明確的遊戲當中,則更加適合增強學習發揮其強大的威力。

AutoML就是一種以增強學習為技術的機器學習軟體,系統會運行數千個模擬來確定代碼的哪些方面可以作出改進,以及在改變後繼續該過程、直到達成目標。

除了谷歌外,OpenAI、英偉達、英特爾等都在進行增強學習的研究,這是AI研究界的一大熱門項目。此前特斯拉還專門從OpenAI挖來李飛飛高徒前Open AI研究員、斯坦福大學博士Andrej Karpathy擔任人工智慧及自動駕駛視覺總監。


三、遷移學習:小數據集的福音

說完增強學習,我們來說說遷移學習(Transfer Learning)。

目前的各類AI演算法在經過大量指定數據的訓練後,都變得非常「專註」,局限於特定領域,在沒有人類大幅度修改的情況下,無法被泛化去處理其他任務。

也就是說一個能認識人臉的AI模型,並不能認識貓臉,也不能認識車牌。所以每個模型打造起來幾乎都要從零做起,非常浪費時間。

而遷移學習目標是將從一個環境中學到的知識用來幫助新環境中的學習任務,強調的是在不同但是相似的領域、任務、分布之間進行知識的遷移。

雖然你只擁有很少的數據,但谷歌擁有很多類似的AI模型,所以通過遷移學習,谷歌可以將這兩者結合起來,生成一個滿足你需求的AI模型。

隨著「深度學習已死!」的呼聲日益強烈,增強學習、遷移學習作為兩大最為火熱的AI科目,將會在未來的研究中扮演更為重要的角色。


四、AutoML黑科技的其他應用

上文提到,雖然現在開放出來的只有Cloud AutoML Vision功能,能夠定製化生成用於特定圖像識別的AI模型。

李飛飛還曾經特意指出,由於AutoML服務的遷移學習能力讓用戶用很少的數據就能建立起AI模型,因此它對醫療AI研究非常有幫助。在醫療領域裡,面對罕見疾病和特殊案例,醫生往往無法取得足夠的訓練資料來建立模型——AutoML很好滴解決了這個問題。

未來,Cloud AutoML的覆蓋範圍將會更廣,囊括圖像、語音、NLP等方面。

不過,雖然谷歌表示AutoML是市場上唯一的同類系統。但市面上也逐漸出現類似的服務,比如Clarif.ai(一家人工智慧初創,曾今入選CB Insights 2017全球AI企業100強),而且微軟的內部也在定製相關的系統。


結語:AI人才越來越貴,AutoML來幫忙

李佳、李飛飛

李飛飛、李佳、與谷歌本身都一直都在宣傳「AI民主化」、「讓人人都能擁有AI」。

建置模型需要很多時間做實驗,也需要許多機器學習的專家才能完成。在各大企業爭搶搶奪,AI工程師與AI科學家的薪資身價水漲船高的當下,小公司已經難以負擔AI模型開發所帶來的時間與人力成本。

因此,Cloud AutoML的服務正是為了解決這個問題而誕生的,它降低了深度學習的門檻,讓擁有資源的大公司不再處於壟斷地位,小公司或者個人即便沒有擁有格外優秀的AI技術人才,也能自己掌握AI的力量。

喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 智東西 的精彩文章:

起底機器人第一網紅Sophia 讓AI圈老教授都不淡定了

TAG:智東西 |