2018/01/18
|
|
當飛飛和我在一年多前加入 Google Cloud 團隊時，就展開了人工智慧推廣的使命。我們的目標是降低人工智慧的進入門檻，並儘可能讓開發者、研究人員和企業能廣泛地運用人工智慧。在實現這個目標上，我們的 Google Cloud AI 團隊取得了很好的進展，於 2017 年推出 Google 雲端機器學習引擎，幫助具備機器學習專業知識的開發者輕鬆建構出機器學習的模型，以處理各種類型和規模的數據資料。我們展示了包含 Vision、Speech、NLP、Translation 和 DialogFlow 等新世代機器學習 API 服務，透過建構於預先訓練好的模型，為商業應用程式帶來無可匹敵的規模和速度。我們的數據資料學家與機器學習研究員社群Kaggle，已經累積超過100萬名會員。今天，全球有超過 1 萬家企業採用了 Google Cloud AI 服務，其中包含 Box、Rolls Royce Marine、Kewpie 和 Ocado 等知名企業。
然而，我們並不滿足於此。目前，世界上仍只有少數企業擁有充足的人才和預算，能充分享受 機器學習與人工智慧技術演進帶來的助益。有能力建立高階機器學習模型的人其實非常有限。就算企業能夠聘請機器學習或人工智慧工程師，還是必須投注大量時間並操作複雜的程序，以開發出客製化的機器學習模型。雖然 Google 已經透過可執行特定工作的多款 API 提供眾多預先訓練好的機器學習模型，不過要真正讓各行各業都享有人工智慧帶來的益處仍有很大的努力空間。
為了朝目標更邁進一步，並且讓所有企業都能使用人工智慧，我們推出精心打造的 Cloud AutoML，協助在機器學習專業能力上有限的企業開始運用 learning2learn 和遷移學習等由 Google 提供的先進技術，自行建立優質的客製化模型。我們相信，Cloud AutoML 除了能提高人工智慧專業人員的生產力、開展新的研究領域之外，還可幫助技術較不純熟的工程師打造出前所未見的強大人工智慧系統。
我們推出的第一款 Cloud AutoML 為 Cloud AutoML Vision，它能更快速、更輕鬆地建立客製化圖像辨識機器學習模型。有了 Cloud AutoML Vision，企業能輕鬆地透過拖曳介面上傳影像、訓練和管理模型，然後直接在 Google Cloud 上有效地利用這些經過訓練的模型。相較於採用一般機器學習API，運用 Cloud AutoML Vision來分類公開數據集如 ImageNet 和 CIFAR的初期成果更精準，也更少錯誤。
以下是更多 Cloud AutoML Vision 提供的效能：
● 提升準確度：Cloud AutoML Vision 採用 Google 領先業界的影像辨識技術 (包括遷移學習和神經架構搜尋技術)，意味著即使企業具備的機器學習專業知識有限，也能建立精確的模型。
● 縮短生產就緒模型的作業時間：只要運用 Cloud AutoML，企業就能在幾分鐘內建立一個簡單的模型來測試支援 AI 的應用程式，或者最短在一天內就能建立可以即刻投入服務的完整模型。
● 簡單易用：AutoML Vision 提供簡單明瞭的圖形化使用者介面，方便使用者選取數據，接著再利用這些數據打造符合使用者特定需求的專屬優質模型。
|
|
URBN 數據資料學家 Alan Rosenwinkel 表示：「Urban Outfitters 不斷尋找能提升客戶購物體驗的新方式。如果要向客戶呈現最符合其需求的產品建議，並提供準確的搜尋結果和實用的產品篩選功能，那麼建立與維護完整的產品屬性就十分重要。然而，手動建立產品屬性可說是曠日廢時的作業。為了解決這項難題，我們的團隊進行審慎評估後，發現 Cloud AutoML 確實能辨識出細微的產品特徵 (例如圖案和領口樣式)，藉此將產品屬性歸類程序自動化。Cloud AutoML 擁有無窮潛力，能幫助我們的顧客找到更符合所需的產品，以及提供更貼近需求的建議和優質的搜尋體驗。」
Disney 消費性產品與互動媒體技術長暨資深副總裁 Mike White 談到：「Cloud AutoML 的技術幫助我們建構視覺模型，以 Disney 角色、產品類別和顏色來標註我們的產品。我們將這些註解整合至我們的搜尋引擎中，在 shop Disney 上提供更多的相關搜尋結果、快速查詢功能以及產品推薦，成功提升顧客使用體驗。」
Zoological Society of London 的保育技術負責人員Sophie Maxwell 也告訴我們：「ZSL 是一個國際保育慈善團體，致力於保護全世界的動物及其棲息地。為了達成這項使命，其中一個關鍵任務就是追蹤野生動物族群，以掌握其分佈情況並更加瞭解人類對這些物種的影響。為了實現這項任務，ZSL 在野外架設了許多自動相機，可經由溫感或動作觸發來拍攝路過的動物。數百萬張由這些設備所拍攝的圖片都需經過人工分析與加註，然後再與大象、獅子和長頸鹿等相關物種進行比較。這個過程不僅需耗費大量人力，而且所費不貲。ZSL 專門負責保育技術的部門一直與 Google 的 CloudML 團隊保持緊密合作，共同開發這項令人期待的新技術。ZSL 期望透過這項技術，未來能夠自動為圖片加上標籤以節省成本，並擴大相機的架設範圍，以深入瞭解如何有效保護全球野生動物。」
如果你有興趣嘗試使用 Cloud AutoML Vision，可以透過這份表單提出申請。
AutoML Vision 是我們與 Google Brain 團隊及其他Google AI 團隊密切合作的心血結晶，也是我們正在開發的第一批 Cloud AutoML 產品之一。儘管我們這趟人工智慧推廣之旅才剛開始，但目前採用 Cloud AI 產品的1 萬多家客戶讓我們對這類產品的潛力充滿信心。我們衷心期望隨著 Cloud AutoML 的問世，能協助更多企業運用人工智慧探索無限的可能性。
參考資料
- Learning Transferable Architectures for Scalable Image Recognition, Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Arxiv, 2017.
- Progressive Neural Architecture Search, Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017.
- Large-Scale Evolution of Image Classifiers, Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.
- Neural Architecture Search with Reinforcement Learning, Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.
- Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, Alex Alemi. AAAI, 2017.
- Bayesian Optimization for a Better Dessert, Benjamin Solnik, Daniel Golovin, Greg Kochanski, John Elliot Karro, Subhodeep Moitra, D. Sculley. NIPS, Workshop on Bayesian Optimization, 2017.
本文作者：Google雲端人工智慧與機器學習研發負責人李佳 / Google雲端人工智慧與機器學習首席科學家李飛飛 |
|