Кто использует AutoML Vision, «простую, безопасную и гибкую службу машинного обучения, которая позволяет вам обучать пользовательские модели зрения для ваших собственных сценариев использования», запущенную Google в прошлом месяце? Мы спросили Цзя Ли, руководителя отдела исследований и разработок облачного искусственного интеллекта и старшего директора Google.
Ли говорит, что у AutoML сейчас около 10 000 зарегистрированных пользователей, от стартапов до крупных корпораций. Она делит потенциальных клиентов на три типа: «первый - это компании, разбирающиеся в искусственном интеллекте, с огромным количеством данных, им нужна инфраструктура, такая как Tensorflow, для обучения их собственных моделей; во-вторых, компании с ограниченным опытом и данными могут выбирать API без обучения собственных моделей; в-третьих, компании с ограниченным опытом, но с идеями и данными, которые хотят создавать свои собственные модели. AutoML может помочь им настроить свои модели, просто вводя свои изображения без маркировки обучающих данных, разработки алгоритмов или настройки параметров ».
Пользователи AutoML могут загружать изображения путем перетаскивания мышью, никаких технических знаний в области искусственного интеллекта не требуется. AutoML делает это с помощью комбинации трех основных технологий - технологии поиска нейронной архитектуры, обучения и передачи обучения - которые автоматизируют процесс выбора правильных сетей для использования, поиска гиперпараметров для обеспечения максимальной производительности и применения модели к различным вариантам использования непосредственно из Google Cloud.
Ли объясняет: «Трансферное обучение - это просто, потому что оно генерирует модели за секунды. Learning2learn имеет более высокую стоимость при отсутствии фиксированной архитектуры, а создание моделей занимает до одного дня. Но даже это короче, чем традиционные методы обучения ».
Google сообщает в своем блоге, что первые результаты использования Cloud AutoML Vision для классификации популярных общедоступных наборов данных, таких как« ImageNet и CIFAR , показали более точные результаты с меньшим количеством ошибок классификации, чем общие API-интерфейсы машинного обучения». Коды AutoML работают лучше, чем написанные инженерами; в то время как для маркировки объектов на изображении AutoML обеспечивает точность 42% по сравнению с 39% искусственными моделями.
Ли считает, что в качестве основных вариантов использования можно использовать визуализацию в розничной торговле и в медицине. За месяц, прошедший с момента запуска AutoML, Google проконсультировался со многими потенциальными клиентами в швейной промышленности. Одежда с одинаковым цветом или рисунком будет иметь, например, разные вырезы, манжеты и т. Д. Розничные продавцы могут использовать AutoML для определения своих собственных классификаций продуктов для таких характеристик.
Дебютная версия AutoML поддерживает только модели компьютерного зрения, но скоро появятся такие функции, как речь, перевод, видео и НЛП.
Фей-фэй Ли и Цзя Ли заявили, что миссия Google - «демократизировать ИИ», предоставляя компаниям, которые не могут позволить себе собственные таланты в области ИИ, быстро ускориться.
Хотя появление AutoML - хорошая новость для бизнеса, есть опасения, что дешевые универсальные решения технологических гигантов поднимут планку для стартапов и уменьшат возможности проникновения на рынок их решений.
Отрасль пока положительно отреагировала на AutoML. Инженеры ИИ в основном счастливы, что это устраняет трудоемкие процедуры настройки параметров. Между тем, предприятия теперь могут внедрять ИИ в свои операции без высоких затрат на найм инженеров ИИ и специалистов по обработке данных. AutoML от Google может похвастаться растущим списком клиентов, в который входят Urban Outfitters, Disney и Лондонское зоологическое общество, и вполне вероятно, что Google и Microsoft будут продолжать расширяться в этой сфере.
Журналист: Меган Хан | Редактор: Майкл Саразен
