Google Next 2018: Ein tieferer Einblick in die Fortschritte bei KI und maschinellem Lernen

Video: Wie die großen Cloud-Anbieter im Jahr 2018 abschneiden

Wenn letzte Woche Google Next 2018 Ereignis ist ein Hinweis, Google Cloud wächst schnell. Die Anmeldungen für die Veranstaltung vom 23. bis 26. Juli überstiegen 25.000, und die tatsächliche Besucherzahl verdoppelte leicht die 10.000 bei Google Next 2017. Das ist gut, aber wenn diese öffentliche Cloud mit den ebenfalls schnell wachsenden Konkurrenten Amazon Web Services (AWS) und Microsoft Azure mithalten will, muss Google seine Stärken ausspielen.

Lesen Sie auch: Googles G Suite fügt neue KI- und Sicherheitstools hinzu – CNET

Aus meiner Sicht ist Googles größter Reiz für große Unternehmen seine Deep-Learning-Maschine (DL). Lernen (ML) und Datenplattformfähigkeiten (obwohl ich voreingenommen bin und meine Constellation-Kollegen das folgen

G Suite und der Rest der Google Cloud Platform (GCP) Cloud-Infrastruktur vielleicht sehe ich es anders). Unter den vielen Ankündigungen bei Google Next 18 sind es die größten Fortschritte – und die, die ich für die wahrscheinlichsten halte zur Beschleunigung des Wachstums – zielten darauf ab, die Nutzung der DL-, ML- und Datenplattform von Google auszuweiten Fähigkeiten. Hier ist ein genauerer Blick.

Cloud AutoML demokratisiert Data Science

Wenn ich die größte Ankündigung von Google Next 18 nennen müsste, würde ich sagen, dass es die Beta-Version von Cloud AutoML war. Dies verspricht, benutzerdefinierte DL-Modellerstellungsfunktionen für Unternehmen bereitzustellen, selbst wenn sie keine Datenwissenschaftler beschäftigen Personal. Es handelt sich um eine demokratisierte Self-Service-Option, die auf der Google Cloud ML Engine aufbaut, dem auf Datenwissenschaftler ausgerichteten Angebot, das im März 2017 allgemein verfügbar wurde.

Zur Überprüfung, Cloud ML Engine ist ein verwalteter Dienst für maschinelles Lernen, mit dem Sie benutzerdefinierte Modelle basierend auf Google trainieren, bereitstellen und exportieren können Open-Source-TensorFlow-ML-Framework oder Keras (ein offenes neuronales Netz-Framework, das in Python geschrieben ist und ausgeführt werden kann). TensorFlow). Cloud ML Engine bietet automatische Hyperparameter-Optimierung und Tools für die Jobverwaltung sowie für Training und Vorhersage auf der Basis von grafischen Verarbeitungseinheiten (GPU). Modelle sind auch portabel, sodass Sie sie auf GCP erstellen und trainieren, die Modelle dann aber exportieren und vor Ort ausführen können.

Lesen Sie auch: Google Cloud Platform: Ein Spickzettel – TechRepublic

Bemerkenswert für Cloud ML-Fans: Das Unternehmen gab bei Google Next bekannt, dass die Engine Unterstützung für Schulungen und mehr bietet Vorhersage mit Scikit Learn (für Python-basiertes maschinelles Lernen) und XGBoost (für Gradient Boosting in C++, Java, Python). oder R).

Sie müssen wissen, was Sie tun, um die Cloud ML Engine nutzen zu können. Um die Arbeit für Nicht-Data-Science-Experten einfacher zu machen, hat Google eine Reihe von maschinellen Lerndiensten eingeführt, die auf vorgefertigten Modellen basieren. Entwickler können einfach Anwendungsprogrammierschnittstellen (APIs) aufrufen, um auf die Dienste zuzugreifen Natürliche Sprache Textanalyse, Speech-to-Text Und Text zu Sprache Übersetzung und Maschine Vision Bilderkennung.

Das Aufrufen eines Dienstes über eine API ist recht einfach, der Nachteil dieser vorgefertigten Allzweckmodelle besteht jedoch darin, dass sie generisch sind. Die Idee bei AutoML besteht darin, mit den vorgefertigten Modellen zu beginnen, es dann aber Nicht-Datenwissenschaftlern zu ermöglichen, über eine einfache grafische Benutzeroberfläche (GUI) und ihre eigenen Daten Anpassungen vorzunehmen. Durch die Nutzung aller Schulungen, die in das vorgefertigte Modell eingeflossen sind, sparen AutoML-Kunden Entwicklungszeit, aber sie Profitieren Sie außerdem von genaueren, benutzerdefinierten Modellen, die auf Schulungen zu Daten basieren, die für ihre Branche und Organisation spezifisch sind.

Lesen Sie auch: Twitter entscheidet sich für Google Cloud: Was das bedeutet – TechRepublic

Seit seiner ersten Alpha-Veröffentlichung im Februar wird Cloud AutoML Vision von ausgewählten Kunden genutzt. Bei Google Next haben wir davon gehört, wie Einzelhändler Urban Outfitters hat AutoML Vision verwendet, um ein benutzerdefiniertes Modell zu erstellen, das einzigartige Attribute seiner Produktbilder erkennt. Das Unternehmen gibt an, dass das Kundenmodell das Sucherlebnis auf seiner Website verbessert hat und Kunden hilft, anhand visueller Hinweise wie Stoffmuster und Halsausschnitte zu finden, was sie suchen. Diese visuellen Hinweise tauchen nicht unbedingt in Textmetadaten auf und sie sind auch nicht in das Modell hinter dem standardmäßigen Vision-Dienst von Google eingelernt.

Wie letzte Woche angekündigt, befindet sich Cloud AutoML jetzt in der Beta-Phase (ist also für alle Kunden verfügbar) und wurde um Folgendes erweitert: AutoML Natural Language and Translation sowie Vision.

MyPOV auf Cloud AutoML. Dies ist ein großer Fortschritt für Google und wird eindeutig jedes Unternehmen ansprechen, das daran interessiert ist, die Möglichkeiten des Deep Learning zu nutzen, ohne einen Datenwissenschaftler einzustellen. Für jeden, der Google Assistant mit Produkten wie Amazon Alexa, Apple Siri und Microsoft Cortana verglichen hat, ist klar, dass die Sprach- und Sprachfunktionen von Google die besten auf dem Markt sind. Cloud AutoML macht hochmodernes DL einem breiten Publikum zugänglich, aber ich denke, dass es sowohl Mainstream-Entwickler als auch Datenwissenschaftler ansprechen wird.

Ich schätze auch, dass Google die Attraktivität der Cloud ML Engine durch die Unterstützung von Scikit Learn und XGBoost erweitert hat. Nicht alle Modellierungsherausforderungen passen zu TensorFlow, und diese Open-Source-Optionen erweitern die Möglichkeiten sowohl auf GCP als auch für den Export und die Bereitstellung von Modellen vor Ort.

BigQuery ML demokratisiert maschinelles Lernen

Die zweite große Ankündigung von Google Next zum Thema Demokratisierung war BigQuery ML, eine Betaversion, die maschinelles Lernen durch einfache, allgemein verständliche SQL-Anweisungen unterstützen soll. Wie der Name schon sagt, wurde diese neue ML-Funktion zu BigQuery, dem äußerst beliebten Data Warehousing-Dienst von Google, hinzugefügt. Es ist vor allem deshalb beliebt, weil es serverlos ist, das heißt, es lässt sich elastisch auf Petabytes skalieren und bei Bedarf wieder herunterskalieren, ohne dass eine Datenbankverwaltung erforderlich ist. Es unterstützt auch SQL 2011-Standardausdrücke, Abfrageverbund, Hochverfügbarkeit, Streaming-Analyse, Verschlüsselung und andere gute Dinge, aber einfach Der Nutzen ist die Visitenkarte von BigQuery – und ein Unterscheidungsmerkmal gegenüber den administrativ anspruchsvolleren Konkurrenten AWS Redshift und Azure SQL Data Warehouse.

BigQuery ML erweitert die SQL-Funktionalität, um maschinelles Lernen durch einfaches CREATEMODEL und ML zu unterstützen. PREDICT SQL-Befehle. Beim Start unterstützt BigQuery ML die lineare Regression und die binäre logistische Regression, Google plant jedoch, viele weitere Algorithmen und unterstützende Ausdrücke hinzuzufügen. BigQuery ML wendet eine sogenannte datenbankinterne Technik an. Die Alternative ist der herkömmliche Exportansatz Daten in eine separate Umgebung für maschinelles Lernen und Analyse zu übertragen, was offensichtlich umständlicher, zeitaufwändiger und effizienter ist teuer.

MyPOV auf BigQuery ML. Techniken zur datenbankinternen Ausführung erweiterter Analysen, einschließlich maschinellem Lernen, gibt es seit fast einem Jahrzehnt, implementiert in IBM Db2, Microsoft SQL Server, Oracle-Datenbank, Und Teradaten, unter anderen. Alle diese Datenbanken sind jetzt als Cloud-Dienste verfügbar, aber wenn es um Googles größten Hyperscale-Cloud-Konkurrenten geht, hat AWS Redshift nichts Vergleichbares wie BigQuery ML. Microsoft SQL Server unterstützt datenbankinternes ML, diese Funktionalität muss jedoch noch auf die Cloud-Dienst-Pendants Azure SQL und Azure SQL Data Warehouse ausgeweitet werden.

Lesen Sie auch: Google Cloud verstärkt sein Speichergeschäft, um Hollywood zu umwerben

BigQuery ML ist also kein großer Durchbruch, aber Google ist seinen wichtigsten Cloud-Konkurrenten bei der Einführung voraus. Ich bin sicher, dass Microsoft jetzt Unterstützung für SQL Server bringen wird Dienste für maschinelles Lernen zu seinem Azure SQL-Dienst so schnell wie möglich. Es würde mich auch nicht überraschen, wenn AWS im November auf der Re: Invent 2018 eine ähnliche Ankündigung machen würde, da datenbankinterne Techniken kein Hexenwerk mehr sind. Sobald die Rivalen im Spiel sind, werden wir sicher einen Fortschritt hinsichtlich der Tiefe und Breite der ML-Fähigkeiten sehen. Wie ich bei früheren datenbankinternen Initiativen gesehen habe, sind Regression und logistische Regression nur der Anfang dessen, was Unternehmen mit den Datenmassen in ihren Data Warehouses tun wollen.

Mit KI-Lösungen vertikal vorgehen

Google Cloud hat bei Google Next 18 viel über sein Partner-Ökosystem zu sagen und sagt sogar, dass es sich nun verpflichtet hat, mindestens einen Partner in 100 Prozent seiner neuen Deals einzubeziehen. Auch bei Google Next änderte das Unternehmen den Schwerpunkt, indem es Produkte weniger in den Vordergrund stellte und sich stattdessen auf Lösungen konzentrierte. Das ist ein weiteres Zeichen der Reife, das mit dem Wachstum von Google einhergeht.

Zum Thema „Ausspielen seiner Stärken“ machte Google letzte Woche zwei weitere wichtige Ankündigungen zu ersten Beispielen einer erwarteten Welle von KI-Lösungen, die mit Partnern entwickelt wurden. Die erste Ankündigung war Contact Center AI, das darauf ausgelegt ist, die virtuellen Agentenfunktionen von Google bereitzustellen – einschließlich Speech-to-Text, Text-to-Speech, Verarbeitung natürlicher Sprache und automatisierter Dialogflow-Workflow – in das Partner-Callcenter Umgebungen. Contact Center KI befindet sich jetzt in der Alpha-Version, sodass sich Kunden anmelden können, sie werden jedoch auf erste Bereitstellungen überprüft. Die Liste der Partner ist umfangreich und umfasst Cisco, Genesys, Mitel, Twillio, Vonage und führende Systemintegratoren.

Lesen Sie auch: GitLab wechselt von Azure zur Google Cloud Platform

Bei der zweiten Ankündigung einer KI-Lösung handelte es sich um eine geplante Reihe von Diensten mit dem Partner Iron Mountain. Diese Dienste sollen im September veröffentlicht werden und Googles TensorFlow-Bild und optischen Charakter verbessern Erkennungsfunktionen, die für die Inhaltsanalyse, Archivierung und Speicherung von Iron Mountain verfügbar sind Kunden. Laut Iron werden die Dienste den Kunden dabei helfen, herauszufinden, über welche physischen und digitalen Dokumente sie verfügen Mountain wird es ihnen dabei helfen, neue Dienste zu entwickeln, die auf einem KI-basierten Verständnis und Zugang dazu basieren Inhalt.

MyPOV auf Google Solutions: Call-Center- und dokumentenorientierte Dienste sind in puncto Lösungen so umfassend wie möglich. Jedes Unternehmen mit einer beträchtlichen Anzahl von Kunden verfügt über ein Callcenter und Iron Mountain hat buchstäblich Hunderttausende von Kunden. Google hat auch eine Partnerschaft mit SAP, die nutzt TensorFlow für ML/DL-Lösungen von sich aus. Aber Google hat in puncto Lösungen kaum an der Oberfläche gekratzt.

Wenn Unternehmenssoftwareunternehmen Branchenlösungen einführen, greifen sie in der Regel auf jahrelange Erfahrung in mehreren Branchen zurück. Es ist nicht ungewöhnlich, dass diese Unternehmen in einer ersten Version ein halbes Dutzend Beispiele einführen, und sie werden mindestens einige weitere auf der Roadmap haben. Dass Google nur zwei Lösungen angekündigt hat und keine Roadmap für weitere Veröffentlichungen hatte, zeigt, dass die Lösungen und vertikalen Branchenangebote dieses Unternehmens noch in den Kinderschuhen stecken.

Meine allgemeine Meinung zu Google Next 18

Studien deuten darauf hin, dass wir uns in eine Multi-Cloud-Welt bewegen, und tatsächlich habe ich mit vielen Unternehmen gesprochen, die mehr als einen öffentlichen Cloud-Anbieter nutzen. Das häufigste Muster, das ich sehe, sind Unternehmen, die Anwendungen auf AWS erstellen und ausführen. In selteneren Fällen ist Azure ihre primäre Cloud, aber sehr oft ihre Wahl für E-Mail-Dienste und Desktop-Anwendungen über Microsoft Office 365. Wenn Google Cloud dabei ist, wurde es meiner Meinung nach in neun von zehn Fällen aufgrund seiner Datenplattformen und ML/DL-Funktionen ausgewählt. Natürlich ist meine Auswahl voreingenommen, gerade weil dies meine Forschungsgebiete sind. Nichtsdestotrotz ist dies der Hauptgrund, warum ich es für so wichtig halte, dass Google seine Stärken im Bereich Data-to-Decisions ausspielt.

Über die AutoML- und BigQuery ML-Ankündigungen hinaus bot Google eine Reihe weiterer KI- und ML-bezogener Ankündigungen an. Kubeflow verspricht beispielsweise, komplette Machine-Learning-Stacks auf Kubernetes zu unterstützen. Und stromsparende Edge-TPU-Chips (TensorFlow Processing Unit) versprechen, die DL-Zauberei von Google auf mobile und entfernte Sensoren und Geräte zu übertragen. Daher würde ich sagen, dass Google Cloud gute Arbeit dabei geleistet hat, diese Stärken zu verdoppeln, aber es muss noch viel getan werden.

Lesen Sie auch: Google Cloud erweitert das Android Enterprise-Programm

Während sich Google auf die Demokratisierung der Datenwissenschaft mit AutoML konzentriert hat, scheint AWS mehr über die End-to-End-Modellverwaltung mit zu sagen zu haben SageMaker. Microsoft befasst sich unterdessen mit der Modellverwaltung sowie der Daten- und Modellherkunft und -governance Azure Machine Learning. Da die Anzahl der Modelle und Versionen steigt, werden Modellmanagement sowie Datenherkunft und -governance immer wichtiger. Außer dem grundlegenden Thema Sicherheit habe ich bei Google Next nicht viel über diese Themen gehört. Was KI-Lösungen betrifft, sind die Partnerschaften mit Iron Mountain, SAP und Contact-Center-Anbietern ein Anfang. Doch was KI-basierte Branchenlösungen betrifft, steht das Unternehmen klar am Anfang.

Verwandte Forschung:

• Amazon Web Services fügt noch mehr Daten- und ML-Dienste hinzu, aber wann ist genug genug?
• Microsoft legt Wert auf Wahlmöglichkeiten, von SQL Server 2017 bis hin zu Azure Machine Learning
• Google Cloud investiert in Datendienste und ML/KI und skaliert das Geschäft