İnek yetiştirmek ve salatalık toplamak: Google AI'nın indiğini asla hayal etmediniz mi?
Lei Feng net basın: Geçtiğimiz 2018 Google I / O Geliştirici Konferansı'nda CEO Sundar Pichai herkese Google Asistan'ın yeni becerilerini gösterdi. Bu yapay zeka asistanı, sahibinin bir koltuk rezerve etmesi için restoranı aramasına yardımcı olabilir. Telaffuz tam olarak gerçek bir kişi gibidir ve bir insan gibi sohbet edebilirsiniz. Yine de soracak. Google ilk üç yıl önce AI sloganını ortaya koyduğundan beri, AI alanındaki düzeni hızlı bir ilerleme kaydetti ve 30'dan fazla AI başlangıç şirketi satın aldı.Aynı zamanda, yalnızca akademik düzeyde yapay zeka araştırmaları yapmakla kalmıyor, aynı zamanda araştırma sonuçlarını da uygulamaya koyuyor. uygulama.
Wikipedia'ya göre, makine öğrenimi platformu TensorFlow, Google Brain ekibi tarafından Google'ın araştırma ve üretimi için geliştirildi. 9 Kasım 2015'te Google, açık kaynak TensorFlow'u duyurdu ve herkes platformu bilgisayarlar ve ağlar aracılığıyla kullanabilir. Google altında konuşma tanıma, Gmail, Google Fotoğraflar ve arama gibi 50'den fazla ürünün tümü TensorFlow derin öğrenme sistemini kullanıyor.
Leifeng.com, okuyucular için TensorFlow'a dayalı olarak geliştirilen çeşitli uygulama örneklerinin bir envanterini hazırlamıştır:
Google Sinir Ağı Makine Çevirisi
Eylül 2016'da Google, çeviri teknolojisinde çığır açan bir araştırma yayınladı: Neural Network Machine Translation (GNMT: Google Neural Machine Translation). Aynı yılın Kasım ayında, bu teknoloji resmi olarak Google Translate'e uygulandı ve İngilizce ile Fransızca, Almanca, İspanyolca, Portekizce, Çince, Japonca, Korece ve Türkçe arasında çeviriyi destekliyor. Farklı diller arasındaki çeviri hataları sorunu, her zaman makine çevirisinin üstesinden gelmesi gereken bir zorluk olmuştur. TensorFlow ve Tensor Processing Units (TPU'lar), Google sinir ağı makine çeviri modeli için özel olarak donanım hızlandırıcılar oluşturur. Artık cümle içindeki kelimeleri ve kelime öbeklerini bağımsız olarak çevirmeyip, tam cümleleri bir bütün olarak işleyerek çeviri hataları azaltılır % 55 ~% 85 .
GNMT çeviri prensibi
Sistem, tüm cümleyi kelime kelime yerine bir bütün olarak çevirerek Google Çeviri'nin doğruluğunu ve akıcılığını büyük ölçüde iyileştirmek için en gelişmiş makine öğrenimi teknolojisini kullanır. Aynı zamanda Google, içinde tüm çeviri sisteminin kendi başına öğrenmesine ve eğitmesine olanak tanıyan ve çeviri düzeyini daha da iyileştiren uçtan uca bir öğrenme sistemi kurmuştur.
GNMT, makine çevirisi düzeyini büyük ölçüde iyileştirir
Video içeriği tanıma API'si
Google Cloud Video Intelligence API, güçlü bir derin öğrenme modeli kullanır ve TensorFlow gibi mimarilere dayalı olarak geliştirilmiştir. Bu API, geliştiricilerin video içeriğini kolayca aramasına ve keşfetmesine olanak tanıyan ilk API'dir. Geliştiriciler, video içeriğindeki varlıklar (köpekler, çiçekler, insanlar gibi isimler ve koşma, yüzme ve uçma gibi fiiller gibi) hakkında bilgi sağlayabilir. Aramayı tamamlayın. Bu varlıklar göründüğünde, bu API bağlamsal anlayış bile sağlayabilir. Örneğin, "kaplan" araması, Google Cloud video koleksiyonunda saklanan kaplanları içeren tüm doğru çekimleri bulur.
Bu video istihbarat API'sine ek olarak, Google Cloud makine öğrenimi giderek daha fazla API seti ekledi: Vision, Video Intelligence, Speech, Natural Language, Translation ) Ve iş arama (İşler). Bu API'ler, müşterilerin yapılandırılmamış verileri görebilen, dinleyebilen ve anlayabilen yeni nesil uygulamalar oluşturmasına olanak tanıyarak, yeni nesil ürün önerileri, tıbbi görüntü analizi ve dolandırıcılık izleme gibi birçok alanda makine öğreniminin kullanımını büyük ölçüde genişletiyor.
Veri merkezi enerji tüketimini azaltın
Google'ın veri merkezinin çalışması ve soğutulması çok fazla enerji tüketir. Deepmind, ekipmanı soğutmak için tüketilen enerjiyi azaltmak için veri merkezinin sıcaklığı, gücü ve hızı gibi verileri izleme yoluyla toplar ve bu verileri derin bir sinir ağını eğitmek için kullanır. Ek olarak, Deepmind önümüzdeki birkaç saat içinde veri merkezinin sıcaklığını ve basıncını tahmin etmek için iki ek derin sinir ağını eğitti. Makine öğrenimi sistemi tarafından soğutma için kullanılan enerji, toplam enerji tüketiminin% 15'ine denk gelen% 40 azaltıldı.
Salatalık akıllı ayıklama ve depolama sistemi
Japonya'daki bir sebze çiftçisi, hasat ettiği çok sayıda salatalık için otomatik bir ayıklama ve depolama sistemi kurmak için TensorFlow'u kullandı. Resim otomatik olarak çekildikten sonra, resim içeriğinin bir salatalık olup olmadığını belirlemek için ilk olarak küçük bir TensorFlow sinir ağı sistemine yüklenecektir. Daha sonra fotoğraflar, daha fazla analiz için daha büyük bir sinir ağı sistemine yüklenecek, böylece salatalıklar otomatik olarak farklı renk ve boyutlara göre dokuz farklı kalite seviyesine ayrılacak, bu da ayırma verimliliğini büyük ölçüde artıracak ve Doğruluk.
Tarım: TensorFlow süt hayvancılığına yardımcı olur
Süt ineklerinin sağlığının süt üretimi üzerinde büyük etkisi vardır. Teknoloji süt ineklerini daha sağlıklı hale getirebilirse, süt üretimini artırabilir ve süt çiftçilerinin endüstrilerini daha da geliştirmelerine yardımcı olabilir. Connecterra, süt ineklerinin çeşitli davranışlarını anlamak ve yorumlamak ve çiftçilere sürünün sağlığı hakkında bilgi sağlamak için TensorFlow kullanıyor. Süt hayvancılığı çiftçilerinin ineğin günlük yaşamını ve sağlık bilgilerini kolayca kontrol etmek için sadece Ida adında bir mobil uygulama kullanması gerekir.
Tarım: hastalıklı bitkilerin belirlenmesi
Lise öğrencileri Shaza Mehdi ve Nile Ravenell, TensorFlow üzerinde bir makine öğrenimi modeli çalıştıran PlantMD adlı bir APP geliştirdi ve modeli tanımak için eğitmek için plantvillage.com ve bazı üniversite veritabanlarından veri topladı. Hasta bitki. Shaza ayrıca cilt hastalıklarını teşhis etmek için benzer bir yöntem kullanan bir APP geliştirdi.
Ekolojik koruma: tropikal yağmur ormanı izleme ekipmanı
Topher White (Rainforest Connection'ın kurucusu), Amazon'da yasadışı ormansızlaşmayı durdurmak için "The Guardian" cihazını icat etti. Cihaz eski bir cep telefonundan yükseltilir ve TensorFlow ile çalışır. Ağaçlara kurulur ve ormanın her tarafına dağılmış olup, motorlu testerelerin ve tomruk kamyonlarının seslerini tanıyarak, alandan sorumlu yöneticilere alarm gönderir. Bu cihazlar olmadan, bu alanı denetlemek ve yönetmek için insan gücüne güvenmek gerekir ve geniş bir alanı kaplamak zordur.
Topher, Amazon bölgesindeki yüksek ağaçların arasına gözetleme ekipmanı kuruyor
Ekolojik Koruma: Avustralya'da Nesli Tükenmekte Olan Deniz Ayısını İzleme
Birçok büyük deniz memelisi gibi, manatlar da nesli tükenmekte olan koşullarla karşı karşıyadır. Onları ve yaşam alanlarını daha iyi korumak için, vahşi yaşam koruyucularının sayılarını ve yerlerini takip etmeleri gerekir. Araştırmacılar, bilgisayarın dev hava görüntüsündeki deniz ayısını tanımayı "öğrenmesini" sağlamak için TensorFlow'un en son görüntü tanıma teknolojisini kullandılar. Makine tanımanın hızı, manuel çalışmayı çok aşıyor ve doğruluk, çıplak gözün 1,4 katı.
İpucu: Alt orta kısımdaki küçük gümüş-gri nokta deniz ayısıdır
Ekolojik koruma: kuşları duyarak tanıyın, kuşları koruyun
Victoria Üniversitesi'nde doktora öğrencisi olan Victor Anton, kendilerini korumalarını iyileştirmek için Yeni Zelanda'nın nesli tükenmekte olan kuşlarını izlemeye adamıştır. 50.000 saatlik ses topladı ve bir spektrograma dönüştürdü ve spektrogramdaki kuş ötüşünü tanımlamak için bu sesleri daha hızlı ve verimli bir şekilde analiz etmek için TensorFlow'u kullandı. Bu araştırmanın Yeni Zelanda'nın gelecekteki hayvan koruma çalışmaları için değerli bilgiler sağlayacağını umuyor.
Victor Anton, uygulamayı Google I / O konferansında sergiledi
Tıp: Diyabetik Retinopati Teşhisi
Diyabetik retinopati, gittikçe daha fazla ilgi gösterilen bir körlük nedenidir.Şu anda dünya çapında 415 milyon diyabetik hasta retinopati riski altındadır. Zamanında tespit edilirse hastalık tedavi edilebilir, ancak zamanında teşhis edilmezse geri dönüşü olmayan körlüğe yol açabilir.
Google, Hindistan ve Amerika Birleşik Devletleri'ndeki doktorlarla yakın bir şekilde çalışarak, diyabetik retinopatiyi tespit etmek için derin bir sinir ağını eğitmek için 128.000 fundus tarama görüntüsünden oluşan bir veri kümesi oluşturdu. Eğitimli model, şüpheli lezyonların fundus taramalarını otomatik olarak tarayabilir ve doğruluğu, profesyonel doktorların ortalama düzeyini bile aşar. Diyabetik retinopati için yüksek hassasiyetli otomatik tarama yöntemi büyük bir potansiyele sahiptir ve doktorların teşhis verimliliğini artırmasına ve hastaların mümkün olan en kısa sürede tedavi görmesine yardımcı olabilir. Aynı zamanda Google, kantitatif ölçüm standartları için daha fazla referans değer oluşturmak amacıyla retina araştırması alanındaki uzmanlarla işbirliğini güçlendirmeye devam ediyor ve diyabetli doktorlara daha fazla yardımcı olmak için bu araştırmanın sonuçlarını DeepMindın OCT araştırmasıyla nasıl birleştireceğini araştırmaya devam ediyor. Retinopati ve diğer göz hastalıkları teşhis edilir.
Bu resim, gözün görüşünün retinopati tarafından tehdit edildiği bir fundus görüntüsünü göstermektedir.
Makine öğrenimi analizi, bu resimde doktorlara göz sağlığı hakkında bilgi sağlayabilir
Tıbbi tedavi: baş ve boyun kanserinin tedavisine yardımcı olur
75 erkek ve 1 kadından 150 kadından 1'ine ömür boyu ağız kanseri teşhisi konulacak, 1970'lerden bu yana ağız kanseri görülme oranı% 92 arttı. Her yıl, yalnızca Birleşik Krallık'ta baş ve boyun kanseri 11.000'den fazla hastayı etkiliyor. Radyasyon tedavisi gibi tedavilerdeki gelişmeler hayatta kalma oranlarını iyileştirmiştir, ancak insan vücudunun çok sayıda ince yapısı olduğundan, klinisyenler hiçbir önemli sinir veya organın hasar görmemesini sağlamak için tedavileri son derece dikkatli bir şekilde planlamalıdır. Radyoterapi öncesinde klinisyenin vücut kısımlarının detaylı bir haritasını çıkarması gerekir. Bu işleme "alt bölüm" adı verilir ve insan vücudunun farklı bölümlerinin anatomik ilkeler kullanılarak çizilmesini ve bilgilerin radyoterapi makinesine iletilmesini içerir, böylece sağlıklı doku bozulmadan korunurken kanser hücreleri hedeflenebilir.
Deepmind tarafından University College London School of Medicine'den araştırmacılarla işbirliği içinde yürütülen bir projede, makine öğrenimi, tıbbi personele kanserli dokuları ve sağlıklı dokuları alt bölümlere ayırmada yardımcı olmak için tedavi planlarının tasarımında yer alıyor. Makine öğrenimi yardımıyla segmentasyon süreci yaklaşık 4 saatten yaklaşık 1 saate kısaltıldı. Radyoterapinin etkinliğini artırır ve klinisyenlerin hasta bakımı, eğitimi ve araştırmasına daha fazla zaman ayırabilmeleri için zamanını serbest bırakır.
Baş ve boyun kanseri olan bir hastanın BT taraması
Gıda güvenliği: gıda kalitesinin kontrolünü iyileştirmek
Çoğu endüstri için kalite kontrol bir zorluktur, ancak gıda üretimi alanında en büyük zorluklardan biridir. Malzemelerin kalitesine göre kontrol ve sınıflandırma, gıda şirketinin birincil sorumluluğudur. Bununla birlikte, tüm manuel denetimler zaman alıcı ve zahmetlidir ve yönetim ve işçilik maliyetleri yüksektir.
Bir Japon gıda şirketi olan Kewpie, bebek mamasında kullanılan doğranmış patateslerin kusurlu parçalarını tespit edebilen bir araç geliştirmek için TensorFlow'u kullandı ve şirketin yöneticisi Takeshi Ogino şunları söyledi: Yapay zeka neredeyse mükemmel bir doğruluğa sahip. Kusurlu malzemeleri seçmek çalışanlarımız için heyecan verici. "
Patates dilimlerini tespit edin ve sınıflandırın
Astronomi: Bilinmeyen gezegenleri bulmak için makine öğrenimini kullanma
Google AI ekibinden bir makine öğrenimi araştırmacısı, makine öğrenimi teknolojisini uzay araştırmalarına uygulamak için Austin'deki Texas Üniversitesi'ndeki astrofizikçilerle işbirliği yaparak makinenin uzak yıldızların yörüngesinde dolanan gezegenleri tanımayı öğrenmesine olanak tanıdı. Araştırmacılar, gezegenleri diğer gök cisimlerinden ayırmak için TensorFlow'a dayalı makine öğrenimi modellerini eğitmek için 15.000'den fazla etiketli Kepler Uzay Teleskobu veri setini kullandı. Gezegensel sinyalleri ve gezegensel olmayan sinyalleri tanımlamada% 96 doğruluk oranına sahip ve iki yeni gezegen keşfetti: Kepler-80 g ve Kepler-90 i. Şu anda, araştırmacılar bu modeli sadece 200.000 yıldızdan 670'ini keşfetmek için kullandılar.
Araştırmacılar bu modeli 670 yıldızın verilerinde yeni gezegenleri aramak için kullandılar ve önceki çalışmalarda gözden kaçan 2 gezegen buldular.
Astronomi: TensorFlow kraterleri tanır
Pennsylvania Eyalet Üniversitesi'nde doktora öğrencisi olan Ari Silburt ve ekibinin, güneş sisteminin kökeninin sırlarını anlamak için, güneş sistemindeki mevcut malzemelerin oluşumunun yerini ve zamanını bulmalarına yardımcı olabilmeleri için güneş sistemindeki kraterleri haritalamaları gerekiyordu. Geçmişte, bu sürecin tamamlanması gereken insan eli, zaman alıcı ve öznel olarak etkileniyordu. Daha sonra, tüm süreci tamamen otomatikleştiren ve tanınmasını sağlayan mevcut ay fotoğraflarını kullanarak bir makine öğrenimi modeli eğitmek için TensorFlow'u kullandılar. 6.000'den fazla yeni krater piyasaya sürüldü.
Soldaki ayın fotoğrafında kraterlerin nerede olduğunu söylemek zor;
Sağdaki resimde, TensorFlow aracılığıyla kraterlerin dağılımını net bir şekilde görebiliriz.
Yukarıdaki örneklerden, yapay zekanın hayatlarımızı herkes tarafından fark edilmeyecek şekilde nasıl etkilediğini ve dünyanın dört bir yanındaki insanların kendi teknolojilerini oluşturmak için yapay zekayı nasıl kullandıklarını görebiliriz.TensorFlow teknolojiyi küresel ölçekte yönlendirir. Geliştirme için, daha heyecan verici uygulamalar görmeyi dört gözle bekliyoruz ve teknolojinin bize daha fazla güzellik ve sürpriz getirmesini bekliyoruz.Leifeng.com ayrıca AI dünyasındaki her şeye dikkat etmeye ve size en kapsamlı, derinlemesine ve en son teknoloji raporlarını sunmaya devam edecek. .
