Google'ın araştırma ekibi için 2019 heyecan verici bir yıl. Google Research, temel bilgisayar bilimi araştırma sonuçları ve yayınlarının yanı sıra Google'ın yeni gelişen alanlarına (sağlık hizmetleri ve robotik gibi) uygulanan bir dizi çalışma, açık kaynak yazılım katkıları ve Google ürün ekibiyle işbirliği dahil olmak üzere çeşitli şekillerde teknik araştırmayı teşvik eder. Tümü yararlı araçlar ve hizmetler sağlamayı amaçlayan yakın işbirliği. Daha sonra, 2019'da Google Research tarafından yapılan bazı çalışmalara odaklanacağız.
Google Research'ün misyonu, insanların günlük yaşamına büyük fayda ve kolaylık sağlamak için her türlü uzun süredir devam eden ve önemli sorunları çözmektir. 2019 yılında, bu hedefe ulaşmaya devam etmek için, araştırma sonuçlarını sağlık ve robotik gibi gelişmekte olan alanlara uygulamaya başlamak, büyük miktarda kod açık kaynak yapmak ve Google ürün ekibiyle işbirliğine devam etmek gibi çok çeşitli temel araştırma alanlarında bir dizi ilerleme kaydettik. Kullanıcıların duymayı seveceği çeşitli araçlar ve hizmetler oluşturmak için birlikte çalışın.
2020 yılı geldi.Geçtiğimiz yıl yapılan araştırmaları gözden geçirmemiz ve önümüzdeki birkaç yıl içinde daha da çözülmesi gereken sorunları dört gözle beklememiz gerektiğini düşünüyorum. Bu düşünce doğrultusunda, bu makaleyi, 2019'da Google araştırmacıları ve mühendisleri tarafından yapılan temel araştırma çalışmalarını sıralamak için kullanmayı umuyoruz.
2018'de, ürün içi makine öğrenimi ve diğer teknolojileri değerlendirmek için bir dizi çerçeve oluşturmayı amaçlayan bir dizi yapay zeka ilkesi yayınladık. Haziran 2019'da, araştırma ve ürün geliştirme yaşam döngüsü boyunca bu ilkelerin nasıl uygulamaya konulacağını açıklamayı umarak bir başka önemli güncelleme yayınladık. Bu ilke, yapay zeka ve makine öğrenimi araştırma topluluğunda daha geniş bir aktif alan yelpazesini içerdiğinden (makine öğrenimi sistemlerinde önyargı, güvenlik, adalet, hesap verebilirlik, şeffaflık ve gizlilik gibi), kullanabilmeyi umuyoruz. Her alandaki en ileri teknoloji, ilgili teknolojik yeniliği önemli ölçüde teşvik etmek için araştırma sonuçlarımızla birleştirildi.
Örneğin, bu yıl boyunca:
İlgili bağlantı: https://research.google/pubs/pub48120/
What-If Aracında bu bölümün tüm ilgili veri noktalarını görüntülemek için Adalet Göstergelerinde karşılık gelen sütun bölümünü tıklayın. Yukarıdaki örnekte, "dişi" etiketli tüm veri noktaları gösterilmektedir.
Makine öğrenimi, çeşitli önemli sosyal sorunları çözmede büyük bir potansiyele sahiptir. Ayrıca, insanların daha fazla sorunu çözmek için makine öğreniminin yaratıcılığını ve teknolojik başarılarını kullanmalarına yardımcı olmayı taahhüt ederek bu alanı araştırıyoruz. Seller, her yıl yaklaşık 250 milyon insanı etkileyen, gezegendeki en yaygın ve ölümcül doğal afetlerdir. Daha doğru sel tahminleri yapmak için makine öğrenimi, hesaplamalar ve daha kaliteli veri kaynakları kullanıyoruz ve ardından afet bölgesindeki tüm sakinlerin cep telefonlarına uygulanabilir uyarılar gönderiyoruz. Ayrıca, sel tahmini, hidroloji ve makine öğrenimi alanlarında uzman birçok araştırmacıyı, sel önleme ve yönetişimle ilgili önemli bir konuda daha fazla işbirliği olasılığını tartışmak üzere Google ile bir araya gelmeye davet eden bir seminer düzenledik.
Sel tahmin çalışmalarına ek olarak, dünyadaki çeşitli vahşi yaşamı daha iyi anlamak için teknolojiler geliştiriyoruz. Şu anda, farklı balina türlerini ve kayıtlı videoları keşfetmelerine yardımcı olmak için Ulusal Okyanus ve Atmosfer İdaresi ile işbirliği içinde, kameralar tarafından yakalanan vahşi yaşam verilerini analiz etmeye yardımcı olmak için makine öğrenimi teknolojisini kullanmak üzere yedi vahşi yaşamı koruma kuruluşuyla birlikte çalışıyoruz. Sualtı sesi. Ayrıca, makine öğrenimine dayalı daha yeni biyoçeşitlilik araştırması türlerini gerçekleştirmek için bir dizi araç oluşturduk ve yayınladık.
Gana'nın Accra kentinden Google araştırmacıları, 6. İnce Görsel Sınıflandırma Sempozyumu kapsamında, manyok hastalığı sınıflandırması hakkında ortaklaşa bir rapor hazırlamak için Makerere Üniversitesi'nin AI ve Veri Bilimi Araştırma Grubu üyeleriyle işbirliği yaptı. Kaggle rekabeti. Manyok, Afrika'daki en büyük ikinci karbonhidrat kaynağıdır, bu nedenle bu tür bitkilerin sağlığı Afrika'daki gıda güvenliği ile ilgilidir. 87 takımdan 100'den fazla yarışmacının bu yarışmaya katıldığını görmekten çok mutluyuz.
2019'da ayrıca, insanların son 35 yılda dünyanın nasıl değiştiğini daha verimli ve sezgisel olarak gözlemlemelerine olanak tanıyan Google Earth Timelapse'ı da güncelledik. Buna ek olarak, şehir planlamacılarına karbon emisyonlarını azaltmak ve çevresel verimliliği artırmak için referans bilgileri sağlamak amacıyla insan hareketliliğiyle ilgili verileri düzenlemek için yeni gizlilik koruma yöntemlerini kullanmayı umarak akademik araştırmacılarla işbirliği yapıyoruz.
Çocukların eğitimini geliştirmek için makine öğrenimini de kullanıyoruz. Birleşmiş Milletler, dünyada hala temel okuryazarlık becerilerine sahip olmayan 617 milyon çocuk olduğuna ve bu çocukların gelecekteki yaşam kalitelerini doğrudan belirleyeceğine inanıyor. Daha fazla çocuğun okumayı öğrenmesine yardımcı olmak için Bolo uygulamamız, öğrencilere gerçek zamanlı olarak rehberlik etmek için ses tanıma teknolojisini kullanır. Kullanım engelini azaltmak için, düşük kaliteli telefonlarda çevrimdışı çalışabilmesini sağlamak için uygulamayı optimize ettik. Hindistan'da Bolo, 800.000 çocuğun hikaye okumasına ve 1 milyar kelime okumasına yardımcı oldu. İlk sonuçlar cesaret vericidir: Hindistan'ın 200 köyünde üç aylık bir pilot uygulamadan sonra, okuma becerilerini geliştiren katılımcıların yüzdesi% 64'e ulaştı.
Daha büyük öğrenciler için Sokratik uygulama, lise öğrencilerinin matematik, fizik ve konu eğitimiyle ilgili 1000'den fazla karmaşık sorunu çözmelerine yardımcı olabilir. Bu uygulama, fotoğraflara ve sözlü sorulara dayalı olarak soruyla ilgili temel kavramları otomatik olarak tanımlayabilir ve en uygun çevrimiçi kaynaklara bağlanabilir. Sokratik'in eğitim modeline benzer şekilde, Sokratik uygulama sorulara doğrudan cevap vermez, ancak öğrencilere cevapları kendi başlarına keşfetmeleri için rehberlik eder. Bolo ve Sokratik gibi programlar aracılığıyla dünya çapında eğitim kalitesini teşvik edebildiğimiz için çok mutluyuz.
Ayrıca, kazanana Google.org'dan 25 milyon dolarlık hibe vermeye karar verdik. Toplumun tepkisi çok büyüktü ve 119 ülkeden 2.600'den fazla dikkatle planlanmış teklif aldık. Sonunda, 20 kuruluş, büyük sosyal ve çevresel sorunları çözme potansiyellerine dayanarak ilk alıcı grubumuz olarak ortaya çıktı. Getirdikleri mükemmel çözümleri öğrenelim:
AI teknolojisinin diğer alanlarda uygulanması da dikkatimizin odak noktasıdır. Çok taraflı işbirliği yoluyla çok sayıda makale yayınladık. 2019'daki önemli sonuçlar şunları içerir:
Kağıt adresi: https://ai.googleblog.com/2019/08/an-interactive-automated-3d.html
Kağıt adresi: https://ai.googleblog.com/2019/07/learning-better-simulation-methods-for.html
Kağıt adresi: https://ai.googleblog.com/2019/10/learning-to-smell-using-deep-learning.html
Makine öğrenimi, günlük yaşamlarımız için daha kişiselleştirilmiş yardım sağlayabilir. Güzel görüntüler izlemek, en sevdiğim şarkıları dinlemek veya arkadaşlarla ve aileyle konuşmak hayatımızın önemli parçalarıdır. Bununla birlikte, milyarlarca insanı birbirine bağlamak için, bu tür sezgisel bağlantı açıkça imkansızdır. Makine öğrenimi teknolojisi bu görsel, işitsel ve sesli sinyalleri diğer sinyallere dönüştürebilir ve insanların birleşik yönetim altında çevredeki ortama erişme becerilerini geliştirebilir. Yıl içinde başlattığımız yardımcı teknolojiler şunları içerir:
İşimizin çoğu, kişisel cihazların akıllıca geliştirilebilmesi için makine öğrenimi teknolojisi yoluyla cep telefonları için daha fazla yeni işlev sağlamaktır. Cep telefonlarında çalışabilen güçlü bir model geliştirerek, çeşitli geleneksel cep telefonu işlevlerinin daha güçlü yanıt verme özelliğine sahip olmasını sağlayabiliriz ve hatta normal olarak uçuş modunda veya rüzgar kesildiğinde bile kullanılabilir. Şu anda, cep telefonlarında çalışabilen doğru konuşma tanıma modelleri, görsel modeller ve el yazısı tanıma modelleri geliştirdik ve bu, gelecekte daha güçlü yeni özelliklerin ortaya çıkmasının önünü açtı. 2019'daki önemli başarılarımız şunları içerir:
Birleşik öğrenme, 2015 yılında Google araştırmacıları tarafından icat edilen güçlü bir makine öğrenimi yöntemidir. Yardımıyla, birçok müşteri (bireysel kullanıcılar veya hatta tüm işletme gibi), eğitim verilerinin dağılımını korurken modelleri işbirliği içinde eğitebilir. Bu şekilde, büyük ölçekli öğrenme sistemlerinde gizlilik özelliklerini etkili bir şekilde koruyabiliriz. Bugün, kendi ürün ve işlevlerimizde ortak öğrenmeyi giderek daha fazla kullanıyoruz ve aynı zamanda bu alandaki birçok araştırma çalışmasının geliştirilmesini teşvik etmek için çok çalışıyoruz. 2019'da Google araştırmacıları, bu teknolojinin son birkaç yıldaki ilerlemesine ve hala var olan açık araştırma sorunlarına odaklanarak ortak öğrenim üzerine bir makale yazmak için 24 akademik kurumdan bilim insanlarıyla işbirliği yaptı.
İlgili bağlantı: https://arxiv.org/abs/1912.04977
Son birkaç yılda, bilgi işlem görüntülemedeki gelişmeler, akıllı telefonların görüntü kalitesinde büyük gelişmeler sağladı ve 2019 da bir istisna değil. Yıl boyunca, profesyonel düzeyde alan derinliği görüntü işleme işlevleri sunarak özçekimleri bir sonraki düzeye taşıdık ve ayrıca Pixel Phone'daki Night Sight işlevi aracılığıyla astronomik fotoğraflar çekmeyi mümkün kıldık. Bu çalışmanın daha teknik ayrıntıları için lütfen "Çok kareli süper çözünürlük ve aşırı düşük ışık koşullarında mobil fotoğrafçılık" makalemize bakın. Çalışmamızın tek bir amacı var - herkesin güzel fotoğraflar çekmesine ve hayattaki her büyülü anı anmasına yardımcı olmak.
2018'in sonunda, Google Health'i oluşturmak üzere Google Research Institute sağlık ekibi Deepmind Health ve Google'ın donanım departmanından (sağlıkla ilgili uygulamalara odaklanan) bir ekibi birleştirdik. 2019 yılında, bu alandaki araştırmaları ilerletmeye devam ettik, birçok tıbbi ortakla araştırma makaleleri yayınladık ve çeşitli araçlar geliştirdik. Geçtiğimiz yıl yaşanan önemli olaylara bir göz atalım:
İnsanların makine öğrenimi yoluyla tespit etmesi zor olan kanser vakalarını doğru bir şekilde tanımlayın.
2019 yılında kuantum hesaplama ekibimiz ilk kez "kuantum hegemonyasına" ulaştı, yani bir kuantum bilgisayar belirli bir görevi yerine getirdiğinde, dünyanın en güçlü klasik bilgisayarının yürütme hızının çok üzerinde bir hızda performans gösteriyor. İki sonucun karşılaştırması 10.000 yıldan 200 saniyeye kadardır.
Solda: Sanatçı tarafından tasvir edilen kriyostatta çınar işlemci. Sağ: Sycamore işlemciyle fotoğraf çekimi.
Kuantum bilgisayarlar malzeme bilimi, kuantum kimyası ve büyük ölçekli optimizasyon alanlarında önemli bir rol oynayacak, ancak hedeflerimize gerçekten ulaşmak için teknolojik gelişmeyi daha da teşvik etmeliyiz. Şu anda, odak noktamız, kuantum hesaplama sisteminin çalışma süresini daha da uzatmak olan kuantum hata düzeltmesine odaklanıyor. Kuantum algoritmalarının ifadesini basitleştirmek ve donanım kontrolünün zorluğunu artırmak için hala çok çalışıyoruz.Aynı zamanda, klasik makine öğrenimi tekniklerini (derin pekiştirmeli öğrenme gibi) kullanarak oldukça güvenilir kuantum işlemcileri oluşturmanın yollarını bulduk. 2019'daki başarılar heyecan verici ve tüm bunların kuantum hesaplamanın geniş uygulaması için sağlam bir temel oluşturacağına inanıyoruz.
Genel Algoritmalar ve Teoriler Genel algoritmalar ve teoriler açısından, algoritmanın temelleri ve uygulamaları doğrultusunda ilerlemeye devam ediyoruz ve ayrıca grafik madenciliği ve diğer yönleri de keşfettik.
Biraz belirsiz görünen VLDB 19'da "Veri Merkezi Uygulamaları için Önbelleğe Duyarlı Yük Dengeleme" başlıklı bir makale ve yaklaşılabilir başka bir başlık olan "Veri Merkezi Hizmet Kapasitesini 40'a Kadar İyileştirin" başlıklı bir makale yayınladık. %! ". Makale, Web araması arka uç hizmet sisteminde önbelleği belirtmek için grafiğin dengeli bölümünü nasıl kullandığımızı, böylece flash sürücünün sorgu verimini% 48 artırdığımızı ve son olarak genel arka uç arama verimini% 40 artırdığımızı tanıtmaktadır.
İlgili bağlantı:
Web arama hizmeti sayfalarında Flash IO isteklerinin (önbellek eksikliğinden kaynaklanan) ısı haritası. Üç hörgüç; rastgele yaprak seçimi, yük dengeleme ve önbelleğe duyarlı yük dengelemeyi (soldan sağa) temsil eder. Çizgiler 50., 90., 95. ve 99.9. Yüzdelik dilimi temsil eder. VLDB 19 kağıdı, "Veri Merkezi Uygulamaları için Önbelleğe Duyarlı Yük Dengeleme"
ICLR 2019'da yayınlanan "Yeni Şişelerde Eski Şarap: Takviye Öğrenimi Klasik Optimizasyon Algoritmalarını Keşfedin" başlıklı bir makalede, pekiştirmeli öğrenmenin birkaç klasiğe nasıl yardımcı olabileceğini gösteren algoritmalar ve makine öğrenimi arasında yeni bir bağlantı keşfettik. Çevrimiçi optimizasyon ve kombinasyon problemleri (çevrimiçi eşleştirme ve ayırma gibi) en iyi, en kötü ve birleşik algoritmaları verimli bir şekilde bulur.
İlgili bağlantı: https://openreview.net/pdf?id=rkluJ2R9KQ
Ölçeklenebilir algoritmalar üzerindeki çalışmamız, temel olarak büyük veri kümeleri için paralel, çevrimiçi ve dağıtılmış algoritmaları içerir. FOCS 19'un en son makalesinde, birbirine bağlı bileşenler için neredeyse optimal bir toplu paralel hesaplama algoritması bulduk. Diğer makale grubumuz, eşleştirme (hem teorik hem pratik) ve yoğunluk kümeleme için paralel algoritmaları geliştirdi. Üçüncü görev, kara kutu modelinde alt modül işlevlerinin uyarlanabilir optimizasyonunu gerçekleştirmektir.Bu model türünün, özellik seçimi ve kelime sıkıştırma gibi senaryolarda çoklu uygulamaları vardır. SODA 19 makalesinde, yaklaşıklık faktörü, yuvarlama karmaşıklığı ve sorgu karmaşıklığı dahil olmak üzere üç açıdan neredeyse optimal olan alt modüler bir algoritma öneriyoruz. Başka bir FOCS 2019 makalesinde, PCA ve sütun alt küme seçimi için çevrimiçi bir çarpma yaklaşımı algoritması sağlıyoruz.
İlgili bağlantı: https://arxiv.org/abs/1910.05385
Başka bir çalışmada, bilinmeyen gelecek sahnesinin öngörülebilir bir kısım ve bir çatışmacı kısım içerdiğini varsayan yarı çevrimiçi bir bilgi işlem modeli tanıttık. İkili eşleştirme (ITCS 19) ve önbelleğe alma (SODA 20) gibi klasik kombinasyon problemleri açısından, bulduğumuz yarı çevrimiçi algoritma, en iyi çevrimiçi ve çevrimdışı algoritmalar arasında sorunsuz bir şekilde enterpolasyon yapabilir.
Pazar algoritmaları alanındaki son araştırmamız, temel olarak öğrenme ve pazar arasındaki etkileşimin en son anlayışını ve deneysel tasarımdaki birçok yeniliği içermektedir. Örneğin, NeurIPS 19'da yayınlanan sözlü makale, stratejik ajanların düzenli olarak tekrarlayan iki partili oyunlarda öğrenen ajanlara göre inanılmaz rekabet avantajını gösterdi. Son zamanlarda, reklam otomasyonuna odaklanmak, otomatik teklif verme ve reklamveren yanıt davranışının analizi konusundaki yoğun ilgimizi de uyandırdı. WINE 2019'da, iki makalede, reklamverenlerin dönüşüm oranını en üst düzeye çıkarmak için en iyi stratejileri inceledik ve reklamverenlerin teklif verme sürecindeki çeşitli değişikliklere tepkisini daha ayrıntılı olarak analiz ettik. Son olarak, girişim faktörlerini koruma öncülüğünde deneysel bir tasarım çalışması yürüttük ve bir işlem grubunun başka bir grubun sonuçlarını etkileyebileceğini gördük. KDD 19 belgeleri ve NeurIPS 19 makalelerinde, etkileşimi sınırlandırmak ve deneysel yetenekleri sürdürmek için birimleri veya birim kümelerini nasıl tanımlayacağımızı gösterdik.
İlgili bağlantı:
KDD 19 makalesi "Coğrafi Kümelemeyle Randomize Deneysel Tasarım" da önerilen kümeleme algoritması, Amerika Birleşik Devletleri'ndeki kullanıcı anketleri için uygundur. Algoritma, San Francisco, Berkeley ve Palo Alto'nun Sacramento hariç olmak üzere Körfez Bölgesi tarafından kapsanan doğru tahmini dahil olmak üzere büyük kentsel kümelenmeleri otomatik olarak tanımlayabilir.
2019 yılında, makine öğrenmesi algoritmaları ve yöntemlerinin birçok farklı alanında araştırmalar yaptık. Ana noktalardan biri, sinir ağlarında eğitimin dinamik doğasını anlamaktır. Google araştırmacıları, "Sinir Ağlarının Veri Paralel Eğitiminin Sınırlarını Ölçme" adlı blog gönderisinde, verilerin paralel düzeyini ölçeklemenin (toplu iş boyutunu artırmanın) modelin yakınsama verimliliğini artırabileceğini gösteren bir dizi titiz deneysel sonuç sağladı (veri paralel yöntemlerini kullanarak) .
İlgili Bağlantılar: https://ai.googleblog.com/2019/03/measuring-limits-of-data-parallel.html
Test edilen tüm iş yükleri arasında, parti boyutu ve eğitim hızı arasında üç genel ilişki gözlemledik: küçük partiler mükemmel ölçeklendirmeye karşılık gelir (noktalı çizgi boyunca), parti artışı sonunda azalan getirilere yol açar (noktalı çizgi değil) ve maksimum parti boyutu veri paraleldir En yüksek derece (eğilim sabittir). Farklı iş yükleri arasında geçiş noktaları çok farklı olma eğilimindedir.
Birden çok bilgi işlem cihazında verilerin paralel dağıtılması yöntemiyle karşılaştırıldığında, model paralel genişleme etkisi daha iyidir. GPipe, model paralelleştirmenin verimliliğini önemli ölçüde artırabilen ardışık düzenlenmiş CPU işlemci yöntemini kullanan bir kitaplıktır: tüm modelin yalnızca bir kısmı bazı verileri işlerken, diğer parçalar diğer verileri işlemeye başlayabilir. Bu boru hattı yönteminden elde edilen sonuçlar, daha büyük toplu görevleri simüle etmek için yeniden birleştirilebilir.
Gerçekler, makine öğrenimi modellerinin ham girdi verilerini elde edebileceğini ve sonuçta belirli önemli nitelikleri ve kategorileri (kediler, kamyonlar, inekler, kanser dokuları ve normal dokular vb.) Ayırt etmek için kullanılabilecek ilgili üst düzey temsillerini öğrenebileceğini kanıtladı. Şu anda, makine öğrenimi algoritmalarını iyileştirmenin odak noktası, öğrenilen yetenekleri daha yeni örneklere, problemlere veya alanlara genişletmek için onları bu üst düzey temsilleri keşfetmeye teşvik etmektir. 2019'da, aşağıdaki geçmişlere dayalı olarak bunun üzerine araştırma yapacağız:
Bu talimatı takip eden görevde, eylem yörüngeleri a1, a2 ve a3 hedefe ulaştı, ancak a2 ve a3 dizileri talimatları doğru bir şekilde takip etmedi. Bu da yetersiz ödül sorunu olduğunu gösteriyor.
Bu yıl boyunca, makine öğreniminin genel otomasyonunu iyileştirmek için öğrenme algoritmalarının nasıl kullanılacağını keşfetmeyi ve aynı zamanda belirli türden makine öğrenimi meta kararlarının en iyi insan makine öğrenimi uzmanlarından daha iyi sonuçlara yol açmasını sağlamayı hedefleyerek AutoML'deki çalışmalarımızı ilerletmeye devam ettik. fiili sonuç. Özellikle:
TinvVideoNet (TVN) mimarisi, hesaplama süresini gerekli sınırlar içinde tutarken tanıma performansını en üst düzeye çıkarmayı umarak sürekli gelişmektedir. Örneğin, TVN-1'in (yukarıda) CPU'da 37 milisaniye ve GPU'da 10 milisaniye çalışması gerekir. TVN-2 (aşağıda) CPU'da 65 milisaniye ve GPU'da 13 milisaniye çalışır.
Son birkaç yılda, doğal dil anlama, çeviri, doğal diyalog, konuşma tanıma ve ilgili görevler için modeller önemli ilerleme kaydetti. Bu yıl, çalışmalarımızın bir teması, daha güçlü ve daha iyi performans gösteren modelleri eğitmek için kalıpları veya görevleri birleştirerek doğal dil anlama teknolojisinin seviyesini iyileştirmektir. Birkaç örnek vermek gerekirse:
Son on yılda, hareketsiz görüntüleri daha iyi anlamak için kullanılan makine algılama modelleri önemli ilerleme kaydetti. Bu modellerin ve yöntemlerin bir sonraki görevi, dinamik dünyayı ayrıntılı olarak daha iyi anlamaktır. Bu, görüntülerin ve videoların daha derin ve daha ayrıntılı bir yorumunun yanı sıra yaşam ve çevre algısını da içerir: görsel-işitsel dünyayı etkileşim oranında ve kullanıcılarla paylaşılan mekansal temelde anlamak. Bu yıl, bu alanda aşağıdakiler dahil birçok alanda ilerleme kaydettik:
Robot kontrolünde makine öğreniminin uygulanması önemli bir araştırma alanıdır. Bunun, robotların evler veya ofisler gibi karmaşık, gerçek dünya ortamlarında etkili bir şekilde çalışmasını sağlayan hayati bir araç olduğuna inanıyoruz.:
TensorFlow 2.0 TensorFlow ML TensorFlow Lite GPU Teachable Machine 2.0 MLIR AI
Google :
2019
15 NISQ
50 2018 158
2019
TPUv1 TPUv2 TPUv3 Edge TPU
2020
2019 2020