Japon programcı yiyecekleri kurtarmak için bir ramen restoran bulucu yaptı
Gurmeler genellikle böyle bir ikilemle karşılaşırlar: Gece geç saatlerde topluma karşı misilleme yapan bazı yemek fotoğrafları gördüklerinde, öfkelendiklerinde doğal olarak nereden geldiklerini merak ederler. Bununla birlikte, hangi restorandan geldiklerini sadece resimlere dayanarak bilmek genellikle zordur ve bu da şüphesiz gelecekte yiyecek aramak için büyük zorluklar getirecektir.
Ama şimdi makine öğrenimi yazılımı sayesinde, belki gelecekte, sadece fotoğraflara güvenerek hangi mağazadan geldiğini gerçekten anlayabilirsiniz.
Google'ın resmi blogu kısa süre önce bir deneyin sonuçlarını tanıttı. NTT Comwarein yol izleme sistemini araştıran ve geliştiren Kenji Doi, Kanto bölgesindeki yaklaşık 41 Japon Jiro ramen mağazasından 48.000 gerçek ramen fotoğrafı çekmek için Cloud AutoML teknolojisini kullandı. Her bir kase ramen "kökenini" belirlemek için programa aktarılmış olan Jiro Ramen, cömert ramen malzemeleri sağlamasıyla tanınan, Japonya'da çok ünlü bir ramen zinciri markasıdır.
Bu fotoğraflar önceden konum verileriyle işaretlendi, bu nedenle 24 saatlik AutoML veri eğitiminden sonra, son AI, ramen fotoğraflarını% 94,5 doğruluk oranıyla doğru bir şekilde ayırt edebildi.
Bu tespit yönteminin süreci de oldukça ilginçtir. HR Na'nın Japon medyasında yer alan bir raporuna göre Kenji Doi, aslında bir meslektaşının projesinden ilham aldı ve deneyler yapmak için Apache MXNet derin öğrenme teknolojisi çerçevesini kullandı. Örnekler, Twitter ve Instagram'dan toplanan 33.000 fotoğraftı. O zamanlar, doğruluk oranı ulaşmıştı % 87.
Ayrıca Twitter'da jirou_deep kimliğine sahip bir robot hesabı açtı ve çok sayıda ramen fotoğrafının otomatik olarak tanımlandığı vakalar var.
Şimdi, Cloud AutoML teknolojisine geçtikten sonra, doğruluk oranı% 94,5'e yükseltildi.
Kenji Doi ilk başta, yapay zekanın farklı restoranları etkili bir şekilde sınıflandırmak için bir referans hedefi olarak kase şeklini ve masanın rengini kullandığını düşünmüştü, ancak bu bir zincir restoran için pek pratik değil, sonuçta herkes aynı seti kullanıyor. Şablonlar, yapay zekanın ramenleri "lezzet" ile ayırt etmesi imkansızdır.
Gerçek tespit yöntemi hala incelenmektedir, ancak en büyük olasılık, farklı restoranlardaki kavrulmuş eriştelerin hacmi ve içeriklerindeki farklılığa dayanmalıdır. Resimden bakıldığında, Jiro Ramen Restaurant'ın üretim yöntemleri nispeten kaba olsa da, mangalda pişirilmiş domuz etinin şeklindeki küçük bir fark muhtemelen gerçekten sadece makine öğreniminin algılayabileceği bir şey.
Bununla birlikte, başlangıçta da belirtildiği gibi, konum etiketi olmayan bazı yemek fotoğrafları için AI, ilgili restoran konumunu gerçekten daha etkili bir şekilde bulabilir.
Bunun arkasında Cloud AutoML ve görüntü tanıma teknolojisinin yardımı da vazgeçilmezdir.Bu deneye ek olarak, Cloud AutoML teknolojisi daha olgun projelere de sahiptir.Örneğin Disneyland, ürünleri kolayca sınıflandırmak veya sınıflandırmak için iyi bir görüntü modeli oluşturacaktır. Rollerin bölünmesi.
Aslında, Cloud AutoML, çok fazla AI teknolojisi geçmişine sahip olmayan geliştiricilere ve şirketlere yöneliktir.Microsoft, oldukça tekrar eden bazı görevleri aktarmayı amaçlayan Custom Vision adlı benzer görüntü tanıma hizmetlerine sahiptir. Makineye ver.
İlke bakış açısından bakıldığında, erken aşamada manuel hata ayıklama hala gerekli olsa da, özel sınıflandırma gereksinimleri, özellikle görüntü sınıflandırması olan işletmeler için, özelleştirilmiş bir makine öğrenimi modelini hızlı bir şekilde oluşturmak için yalnızca bazı fotoğrafları örnek olarak yüklemeleri gerekir. . Bu tür otomatikleştirilmiş hizmetin işçilik maliyetlerini düşürmede gerçekten çok etkili olduğu söylenmelidir.
Başlık resminin kaynağı: LINE BLOG
