Ikviens, kas mēģinājis Google fotoattēlus, piekrīt, ka šis bezmaksas fotoattēlu uzglabāšanas un pārvaldības pakalpojums no Google ir gudrs. Tā piedāvā dažādus viedos līdzekļus, piemēram, progresīvu meklēšanu, spēju kategorizēt attēlus pēc atrašanās vietām un datumiem, automātiski izveidojot albumus un videoklipus, pamatojoties uz līdzībām, un staigāt jūs uz atmiņas joslu, parādot fotoattēlus tajā pašā dienā pirms vairākiem gadiem. Ir daudzas lietas, ko Google fotoattēli var izdarīt pirms vairākiem gadiem nebūtu iespējams. Google fotoattēli ir viens no daudzajiem „gudriem” Google pakalpojumiem, kas izmanto mašīnmācības tehnoloģiju, ko sauc par TensorFlow. Vārds " mācīšanās" norāda, ka tehnoloģija laika gaitā kļūs gudrāka līdz brīdim, kad mūsu pašreizējās zināšanas nevar iedomāties. Bet kas ir TensorFlow? Kā mašīna var mācīties? Ko jūs varat darīt ar to? Noskaidrosim.
Kas ir TensorFlow?
TensorFlow ir Google atvērtā koda un jaudīga mākslīgā intelekta programmatūra, kas nodrošina daudzus Google pakalpojumus un iniciatīvas. Tā ir otrās paaudzes sistēma lielapjoma mašīnmācības īstenošanai, ko izveidojusi Google Brain komanda. Šī algoritma bibliotēka izdodas ar DistBelief - pirmo paaudzi.
Šī tehnoloģija atspoguļo aprēķinu kā stāvokļa datu plūsmas diagrammas. Kas padara TensorFlow unikālu, ir tā spēja modelēt aprēķinus plašā aparatūras klāstā, sākot no patērētāju līmeņa mobilajām ierīcēm, līdz pasaules klases multi-GPU serveriem. Tas var darboties ar dažādiem GPU un CPU un sola mašīnu mācīšanās mērogojamību starp dažādām ierīcēm un sīkrīkiem, nemainot ievērojamu koda daudzumu.
TensorFlow radās no Google nepieciešamības uzdot datorsistēmai atdarināt, kā cilvēka smadzenes darbojas mācībās un domāšanā. Sistēmai, kas pazīstama kā neironu tīkli, vajadzētu būt iespējai veikt daudzdimensiju datu masīvus, kas tiek saukti par “tensoriem”. Mērķis ir apmācīt neironu tīklus, lai atklātu un atšifrētu modeļus un korelācijas.
2015. gada novembrī Google izveidoja šo tehnoloģiju atvērtā kodā un ļāva to pieņemt visos produktu un pētījumu veidos. Ikviens, tostarp pētnieki, inženieri un hobisti, var palīdzēt paātrināt mašīnu mācīšanās izaugsmi un īsākā laikā to uzņemt augstākā līmenī.
Šis solis izrādījās pareizais, jo no neatkarīgajiem izstrādātājiem ir tik daudz ieguldījumu, ka TensorFlow tie ir daudz lielāki par Google iemaksām. Vikipēdija norāda, ka „GitHub ir 1500 krātuves, kurās minētas TensorFlow, no kurām 5 ir no Google.” Tas nozīmē, ka viena no Quora diskusijām aizdomās, ka atklātā pirmkoda kods ir „attīrīta” versija no vienu, ko Google izmanto savos pakalpojumos.
Kā darbojas TenserFlow?
Izmantojot vienkāršo normālo cilvēka valodu un smago vienkāršošanu, mēs varētu redzēt vienu TensorFlow pusi kā progresīvu autonomu filtrēšanas tehnoloģiju. Tās tehnoloģija ir milzīga datortehnikas bibliotēka. Tā izmanto datubāzi, lai palīdzētu “pieņemt lēmumu”.
Piemēram, kāds augšupielādē fotoattēlu pakalpojumā Google fotoattēli. Šī tehnoloģija salīdzinās visas attēla detaļas ar datu bāzi un izlems, vai tas ir dzīvnieka vai cilvēka attēls. Tad, ja tas ir cilvēks, tas centīsies noteikt dzimumu, vecumu līdz galam, kas ir persona. To pašu procesu atkārto arī citi fotoattēla objekti.
Tā izmanto arī lietotāja datus, piemēram, attēlā redzamās personas identitāti un vietu, kur tiek uzņemts attēls, lai uzlabotu tās bibliotēku tā, lai tas nākotnē varētu sniegt labākus rezultātus - gan personai, kas augšupielādēja fotoattēlu, gan ikvienam cits. Līdz ar to termins „mācīšanās”. Bet tas neapstājas tikai ar datu iegūšanu un mācīšanos no fotogrāfijām. Ir tik daudz, ka tehnoloģija var darīt ar informāciju no fotoattēla. Piemēram, tā var grupēt fotoattēlus ar līdzīgām detaļām, piemēram, to pašu personu, to pašu vietu, tajā pašā dienā; skatiet seju modeli, lai noteiktu, kura ģimene un draugi ir persona, kas ir fotoattēlā, un izmantojiet šo informāciju, lai izveidotu ģimenes brīvdienas vai animācijas videoklipus no nepārtrauktiem kadriem.
Tas tikko saskrāpē TensorFlow darbības virsmu, bet es ceru, ka tas var sniegt jums vispārēju priekšstatu par tehnoloģiju. Tāpat, izmantojot tikai vienu piemēru, nevar izdarīt taisnīgumu, ko tas spēj.
Un visiem tur esošajiem mākslīgā intelekta entuziastiem ir vērts pieminēt, ka Google jau ir izveidojusi datora mikroshēmu tehnoloģiju, kas optimizēta mašīnas apguvei un TensorFlow integrēšanai tajā. To sauc par Tensor Processing Unit (TPU) ASIC mikroshēmu .
Tie, kas vēlas uzzināt vairāk par TensorFlow, var apmeklēt apmācību lapu.
TensorFlow pieteikumi
Mēs esam mašīnu apguves tehnoloģijas agrīnā stadijā, tāpēc neviens nezina, kur mūs aizvedīs. Bet ir daži sākotnēji pieteikumi, kas mums dos iespēju skatīties nākotnē. Tā kā tas nāk no Google, ir skaidrs, ka Google izmanto tehnoloģiju daudziem tās pakalpojumiem.
Vairāk par attēlu analīzi
Mēs esam apsprieduši piemēru, kā izmantot Google attēlu attēlu analīzes tehnoloģiju. Taču attēla analīzes lietojumprogramma tiek izmantota arī Google Maps ielas attēla funkcijā. Piemēram, TensorFlow tiek izmantots, lai savienotu attēlu ar kartes koordinātām un automātiski izplūstu jebkuras automašīnas, kas nejauši iekļauta attēlā, numura numuru.
Runas atpazīšana
Google izmanto arī TensorFlow balss palīgu runas atpazīšanas programmatūrai. Tehnoloģija, kas ļauj lietotājiem runāt par instrukcijām, nav jauna, bet, iekļaujot TensorFlow pastāvīgi paplašināto bibliotēku maisījumā, līdz ar to var būt līdz pat dažām pakāpēm. Pašlaik runas atpazīšanas tehnoloģija atpazīst vairāk nekā 80 valodas un variantus.
Dinamiska tulkošana
Vēl viens mašīnas mācīšanās tehnoloģijas „mācīšanās” daļas piemērs ir Google tulkošanas funkcija. Google ļauj saviem lietotājiem pievienot jaunas vārdnīcas un novērst kļūdas Google tulkojumā. Pieaugošos datus var izmantot, lai automātiski atklātu ievades valodu, ko citi lietotāji vēlas tulkot. Ja mašīna kļūdās valodas noteikšanas procesā, lietotāji var tos labot. Un mašīna mācīsies no šīm kļūdām, lai uzlabotu savu turpmāko sniegumu. Un cikls turpinās.
Alpha Go
Viens no labākajiem TensorFlow izmantošanas piemēriem ir Alpha Go. Tā ir programma, kas ir ieprogrammēta, lai atskaņotu Go . Tiem, kas nav iepazinušies ar Go, tas ir abstrakts galda spēle diviem spēlētājiem, kuru izcelsme ir Ķīnā vairāk nekā pieci tūkstoši pieci simti gadus atpakaļ, un tā ir vecākā galda spēle, kas joprojām tiek turpināta šodien. Lai gan noteikumi ir vienkārši - lai vairāk ieskautu teritoriju nekā pretinieks, spēle ir neticami sarežģīta un, saskaņā ar Wikipedia: “piemīt vairāk iespēju nekā kopējais atomu skaits redzamajā Visumā.”
Tātad, tas ir interesanti, ko mācīšanās mašīnas tehnoloģija var darīt ar bezgalīgajām iespējām. Savās spēlēs pret Lee Sedol - četrpadsmito reizi pasaules čempionu, Alpha Go ieguva 4 no 5 spēlēm, un viņam tika piešķirts augstākais Go grandmaster rangs.
Magenta projekts
Vēl viens interesants TensorFlow pieteikums ir Magenta projekts. Tas ir vērienīgs projekts, lai radītu mašīnu radītu mākslu . Viens no agrākajiem reālajiem eksperimenta rezultātiem ir 90 sekunžu ilgā klavieru melodija. Ilgtermiņā Google cer, ka ar Magenta projekta palīdzību tiks radīta vismodernāka mākslinieciskā māksla un ap to veidota mākslinieku kopiena.
2016. gada februārī Google arī rīkoja mākslas izstādi un izsoles San Fransisco pilsētā, kurā bija 29 datorizēti - ar nelielu palīdzību no cilvēka mākslas. Seši no lielākajiem darbiem tika pārdoti par 8000 ASV dolāriem. Datoram, iespējams, ir ļoti garš ceļš, lai varētu atdarināt reālu mākslinieku, bet naudas summa, ko cilvēki vēlas maksāt par mākslu, parāda, cik tālu tehnoloģija ir aizgājusi.
Atbalsts iOS
Lai gan mēs jau esam redzējuši TenserFlow iespējas Android, ar tās jaunāko versiju, TensorFlow beidzot pievieno atbalstu iOS ierīcēm. Tā kā ir pieejamas daudzas lieliskas mobilās lietotnes, kas pieejamas tikai iOS, vai pirmoreiz tās tiek izlaistas iOS, tas nozīmē, ka tuvākajā nākotnē mēs varam sagaidīt lielākas mobilās lietotnes, kas pieņem mašīnas apguvi. To pašu var teikt par TensorFlow plašāku adopciju un pielietojumu iespējām.
TensorFlow nākotne
Ko var darīt ar mašīnu, kas spēj mācīties un pieņemt savu lēmumu? Kā persona, kas ikdienas dzīvē nodarbojas ar vairāk nekā vienu valodu, pirmā lieta, kas man šķiet prātā, ir valodas tulkošana. Ne vārda līmenī, bet vairāk garākā teksta līmenī, piemēram, dokumentos vai pat grāmatās. Šodienas tulkošanas tehnoloģija aprobežojas ar vārdnīcām. Jūs varat viegli uzzināt, kas ir „gulēt” ķīniešu valodā un otrādi, bet mēģiniet izmest vienā Eiji Yoshikawa Musashi nodaļā sākotnējā japāņu valodā un tulkot nodaļu angļu valodā. Jūs redzēsiet, ko es saņemu.
Tas ir arī jautri redzēt, ko mākslīgā intelekta nākotne var darīt ar mūziku. Lai gan tas joprojām ir ļoti vienkāršs, Apple Music Memo lietotne jau var dot automātisku basa un bungas pavadījumu jūsu ierakstītajai dziesmai. Es atceros vienu SciFi TV šovu epizodi, kur šova rakstzīme radīja mašīnu, kas analizē visas topošās dziesmas diagrammās un spēj uzrakstīt pašas savas dziesmas. Vai mēs tur ieradīsimies?
Un kā noslēguma doma, es gribētu pieminēt Sunspring . Tā ir īsa zinātniskās fantastikas filma, ko pilnībā uzrakstījis AI scenārists, kas sevi sauca par Benjaminu - kas pat veido pop-dziesmu mūzikas interludu. Filmu kopā ar režisors Oscar Sharp uzņēma Sci-Fi London pasākuma 48 stundu filmu izaicinājums.
Tagad es nevaru pārtraukt domāt par Terminatoru. Laipni lūdzam nākotnē.
Attēlu kredīts: Wikipedia, TechInsider, The Verge, Wall Street Journal
