A gépi tanulási szakértőket felhős szolgáltatással váltaná le a Google
Újabb szolgáltatáscsomaggal próbálkozik a Google a gépi tanulás területén, amely már nem csak API-kat és tanácsadást ajánl, hanem automatikus modellek kialakítását is, amelyhez az ügyfeleknek programozásra sem lesz szüksége.
Új mesterséges intelligenciára épülő eszközt vezet be a Google, amellyel a felhasználó házon belül, a saját adatbázisán taníthatja majd be a gépi tanulási rendszereket, az ígéret alapján az eddigi megoldásnál sokkal egyszerűbben, akár kódolás nélkül. A vállalat magyarázata szerint még az API-kkal is kevés cégnek van lehetősége saját egyénre szabott gépi tanulási modell kialakítására szakértők híján, emiatt a Google létrehozta a Cloud AutoML-t, amelynek használatával még kevesebb gépi tanulási szakértelem lesz majd szükséges az egyedi modellek kialakításához.
Az első szolgáltatás az új CloudAutoML megoldáscsomagon belül a Cloud AutoML Vision képfelismeréses gépi tanulási modelleket kialakító rendszer. A felületre akár a képek egyszerű behúzásával fel lehet tölteni az elemezni kívánt képeket, majd a szoftver magától elvégzi a modell tanítását és kezelését, továbbá feltölti az eredményt a Google Cloudba. A megoldás a "transfer learningre" (vagyis a megszerzett tudás átvitele egy másik területre) és a neurális architektúra keresési technológiájára épül, ami a vállalat szerint képes kiváltani a szakértők tudását - bár ez valószínűleg inkább csak a kisebb próbálkozásokat válthatja ki, míg a nagy projektnél továbbra is alapos szakértelemre lesz szükség.
Ahogy minden gépi tanulási rendszernél, ennél is fontos a nagy mennyiségű, strukturált és elfogulatlan adat a rendszer betanításához, mivel nyers adathalmazból a szoftver egyelőre nem tud tanulni. Ilyen jellegű és méretű képadatbázissal viszont továbbra sem mindenki rendelkezik, ami nehézséget okozhat a könnyű használatban. A képek közül legalább 20 darabra van szükség, de ez még aligha lenne elég, azonban a rendszer felső korlátot is szab - legfeljebb 10 ezer kép feltöltését támogatja. A tanításhoz pedig minden címkéhez legalább tíz hozzárendelt képnek kell lenni, illetve minimum 2 és legfeljebb 100 címkének.
Ünnepi mix a bértranszparenciától a kódoló vezetőkig Négy IT karrierrel kapcsolatos, érdekes témát csomagoltunk a karácsonyfa alá.
Más képfelismerő rendszerekhez hasonlóan a Google AI is az azonos mintázatokat keresi, és ez alapján képes összerendezni a fényképeket. A Google példájában egy meteorológus albumát mutatja be, amelyen a rendszer betanítható a különböző felhőtípusok felismerésére. Az időjárás változásakor az új képek feltöltésével és a Rest API hívással a rendszer megállapítja, hogy az új képek mennyire hasonlítanak a meglévő adatokhoz.
A mintázatok felismerése nagyon sok más tudományterületen is segíthet a meteorológián kívül, mint például a mellrák felismerése, a diabéteszes vakulás jeleinek gyorsabb azonosítása vagy akár az adatforgalmat is lehetne csökkenteni a jó minőségűnek tűnő lebutított képekkel. Azonban a gépi tanulási megoldások nem bizonyos munkaköröket, sokkal inkább egy-egy feladatot helyettesítenek majd, amelyet gyorsabban, hatékonyabban végeznek el, mint az ember - fogalmazta meg Greg Corrado, a Google mesterséges intelligenciáért felelős vezető kutatója magyarországi látogatásakor.
A Google a Cloud AutoML megoldással is arra törekszik, hogy a felhasználók a gépi tanulási feladataikkal a vállalathoz forduljanak és szolgáltatásként vegyék igénybe, ne pedig saját gépi tanulási eszközt fejlesszenek vagy akár a konkurensekhez forduljanak, amelyek közül a Microsoft Custom Vision Services nagyon erős és jelenleg fejlettebb versenytársnak számít. A Cloud AutoML Vision rendszert viszont egyelőre csak a felhasználási területet bemutató jelentkezéssel, majd a Google jóváhagyásával lehet kipróbálni, az árazásáról pedig nem lehet tudni. A jövőben a vállalat még több Cloud AutoML megoldás bevezetését ígéri, és a gépi tanulást segítő rendszerek szélesebb körű elterjesztését.