Cloud AutoML: как Google стремится упростить тяжелую работу по моделям искусственного интеллекта и машинного обучения

Cloud AutoML от Google использует исследования и технологии компании, чтобы позволить предприятиям настраивать модели и алгоритмы с использованием своих собственных данных.

Видео: ИИ и рабочие места: люди против алгоритмов

Смотрите также

Никакой шумихи, просто факт: искусственный интеллект простыми бизнес-терминами

ИИ стал одним из величайших и бессмысленных модных словечек нашего времени. В этом видео главный специалист по данным компании Dun and Bradstreet объясняет искусственный интеллект понятными бизнес-терминами.

Прочитай сейчас

Google планирует автоматизировать создание моделей машинного обучения и предоставить корпоративным разработчикам возможность для настройки, поскольку он направлен на использование искусственного интеллекта в качестве основного варианта использования Google Cloud. Платформа. Основным аргументом будет то, что инструменты машинного обучения Google Cloud Platform будут быстрее создавать модели более высокого качества.

В среду Google представил Cloud AutoML — альфа-версию, предоставляющую разработчикам технологию, которая может автоматически создавать модели машинного обучения. Google начнет с AutoML Vision, а затем перейдет к его дифференцирующим категориям, таким как перевод, видео и обработка естественного языка.

Фей-Фей Ли, главный научный сотрудник Google Cloud AI, сказал, что Google предлагает стандартное создание искусственного интеллекта. блоков, но стало ясно, что корпоративным клиентам необходимо настраивать модели самостоятельно. данные. «ИИ и машинное обучение по-прежнему остаются областью с высокими барьерами», — сказала она.

Каков план по демократизации ИИ? Цзя Ли из Google, руководитель отдела исследований и разработок Google Cloud AI, сказал, что автоматизация таких технологий, как трансферное обучение, обучение и оптимизация моделей, будет иметь решающее значение. По словам Ли, благодаря автоматизации клиенты смогут гораздо быстрее улучшать качество моделей. Затем разработчики могут превратить эти модели в простые вызовы интерфейса прикладного программирования (API).

В сообщении в блоге, два Ли отметили:

В настоящее время лишь немногие компании в мире имеют доступ к талантам и бюджетам, необходимым для того, чтобы в полной мере оценить достижения ML и AI. Существует очень ограниченное число людей, которые могут создавать продвинутые модели машинного обучения. И если вы одна из компаний, у которых есть доступ к инженерам ML/AI, вам все равно придется управлять трудоемким и сложным процессом создания собственной модели ML. Хотя Google предлагает предварительно обученные модели машинного обучения через API, выполняющие конкретные задачи, нам еще предстоит пройти долгий путь, если мы хотим сделать ИИ доступным каждому.

Вот взгляд на то, что AutoML стремится оптимизировать:

(Изображение: Google)

Цены на эту разработку AutoML, которая начинается с AutoML Vision для анализа и оптимизации изображений, будут зависеть от использования API и вычислений. Раджен Шет, директор по управлению продуктами Google Cloud AI, сказал, что клиенты будут платить за использование API и вычисления. «Мы будем работать с каждым клиентом, чтобы определить цены, соответствующие их ожиданиям в отношении проблемы, которую они пытаются решить», — сказал Шет.

Google AutoML Vision сначала будет запущен среди первых клиентов, таких как Disney и Urban Outfitters.

(Изображение: Google)

Шет добавил, что клиенты будут владеть своими данными и собственными моделями в соответствии с политикой конфиденциальности Google Cloud Platform. «Этот продукт возвращает клиентам большую автономию», — сказал Цзя Ли.

Войны облачного ИИ: Re: Invent 2017: AWS — все о сборе потоков данных с помощью искусственного интеллекта, Alexa, баз данных и облачных сервисов IoT | Google I/O 2017: вот что мы узнали | Google делает ставку на искусственный интеллект в первую очередь, поскольку компьютерное зрение, распознавание голоса и машинное обучение улучшаются | Как Microsoft планирует превратить Azure в «облако искусственного интеллекта» | IBM совершенствует Watson Data Platform, ориентируясь на искусственный интеллект

Техреспублика: Amazon AI: руководство для умных людей | AI: Насколько важен последний прорыв Google в AlphaGo?

Продам качественные модели.

Что касается AutoML, Google, по сути, заявляет, что качество будет основным аргументом в пользу сервиса. Основная идея Google заключается в том, что она будет использовать свои исследования и технологии для демократизации данных. Цзя Ли отметил, что AutoML «основан на передовых исследованиях» и способности обучать модели для более быстрой подготовки к производству.

Шет сказал, что эти качественные модели будут созданы с помощью простого графического пользовательского интерфейса, который покажет вам используемую модель и ее качество. «Качество действительно имеет значение», — сказал Шет.

Цзя Ли сказал, что Google сравнил свои методы с существующими общеизвестными технологиями и пришел к выводу, что ее модели лучше и проще в производстве.

(Изображение: Google)

Несмотря на то, что Google Cloud Platform упрощает создание моделей с помощью AutoML, не все так гладко. Компаниям необходимо будет пометить свои данные и подготовить их для AutoML. «Чтобы создать модель для своих целей, вам все равно потребуется несколько шагов, таких как подготовка модели, ее настройка и оценка, а также итерация. Мы предоставляем технологию, позволяющую устранить барьеры», — сказал Цзя Ли.

Читайте также: ИИ и рабочие места: где люди лучше алгоритмов, и наоборот | Пять технологических профессий, которые ИИ и автоматизация сделают радикально более эффективными

Запуск AutoML ориентирован в первую очередь на разработчиков и независимых поставщиков программного обеспечения. Шет, однако, сказал: «Я вижу, что это в некоторой степени распространится на аналитиков и специалистов по продукту». В конце концов, в организации много людей, которым приходится иметь дело с данными.

Для тех, кто хочет глубже погрузиться в модели, Google привел следующие ссылки в своем сообщении AutoML:

Изучение переносимых архитектур для масштабируемого распознавания изображений, Баррет Зоф, Виджай Васудеван, Джонатон Шленс и Куок В. Ле. Архив, 2017.
Поиск прогрессивной нейронной архитектуры, Чэньси Лю, Баррет Зоф, Джонатон Шленс, Вэй Хуа, Ли-Цзя Ли, Ли Фей-Фей, Алан Юлль, Джонатан Хуанг, Кевин Мерфи, Arxiv, 2017
Крупномасштабная эволюция классификаторов изображений, Эстебан Реал, Шерри Мур, Эндрю Селле, Саураб Саксена, Ютака Леон Суэмацу, Куок Ле, Алекс Куракин. Международная конференция по машинному обучению, 2017.
Поиск нейронной архитектуры с обучением с подкреплением, Баррет Зоф, Куок В. Ле. Международная конференция по обучению представлений, 2017.
Inception-v4, Inception-ResNet и влияние остаточных связей на обучение, Кристиан Сегеди, Сергей Иоффе, Винсент Ванхук и Алекс Алеми. АААИ, 2017.
Байесовская оптимизация для лучшего десерта, Бенджамин Сольник, Даниил Головин, Грег Кочански, Джон Эллиот Карро, Субходип Мойтра, Д. Скалли. NIPS, Семинар по байесовской оптимизации, 2017 г.