极速快车官方入口|揭秘|谷歌自动化机器学习真的那么神吗?

石材雕刻机 | 2021-09-07
本文摘要:7月24日,GoogleCloud,Next大会上,Google给Cloud带来了AutoML的新进展,更加顺利地引起了很多关注。

极速快车

7月24日,GoogleCloud,Next大会上,Google给Cloud带来了AutoML的新进展,更加顺利地引起了很多关注。谷歌AI首席科学家李飞飞宣布,在发售测试版的Cloud-AutoMLVision的同时,追加了用于自然语言处理的AutoMLNaturallanguage和翻译的AutoMLTranslation。

从那以后,谷歌CloudAutoML享受视觉、自然语言处理、翻译等服务。支持AI民主化远景的AutoML,很多媒体都受到称赞。fast.ai创始人之一Rachel,Thomas特意制作3篇博文反省了AutoML的局限性。

为了解读AutoML,(公共编号:)也特意访问了国内致力于AutoML的公司,调查了AutoML是AI的未来,还是希望过低创业公司转入AutoML领域如何与大公司竞争?AutoML知道是白色的吗?为了完成机械学习项目,无论是图像识别、语音识别还是自然语言处理,其构建过程都必须包括数据预处理、特征选择、模型算法自由选择、推荐、在线模型再优化、效果评价。在人工设计机器学习模型的过程中,神经网络的设计是很多难题,设计师必须有经验。谷歌CEOSundarPichai多次说明AutoML。现在设计神经网需要时间,专家只在科学和工程领域的一小部分进行研究,为了解决问题,我们建立了一个叫AutoML的工具。

据谷歌介绍,谷歌CloudAutoML有三个核心技术:神经结构搜索技术(Neural,Archtechnology)、learning2learn和自学入学。CloudAutoML主要分担机械学习中的特征选择、模型算法的自由选择和推荐部分。神经结构搜索技术可以自动搜索好的参数,进入自学可以忘记最后开发人员接受的模型,下次可以更好更慢。谷歌Cloud、AutoML的神经结构搜索技术用神经网络设计神经网络的方式只有以下图的右图。

左边有一个叫做控制器的代理RNN,设计了代理的模型结构(实际上可以称为雏形/子结构),后者需要通过一些特定的任务进行训练和评价。之后,要求系统的结果回到控制器,在下一个循环中提高训练原作。

该过程重复数千次——分解新的结构、测试、将系统运送到控制器再次自学。最后,控制器不偏向于设计能够在数据中获得更高精度的结构,反之亦然。AutoMLVision是Google,Cloud是AutoML的第一个版本,Google说明,即使是没有机器学习专业知识的白色,只要理解模型的基本概念,就可以利用这个服务自定义简化的图像识别模型。只要在系统中上载自己的标签数据,就能得到训练良好的机械学习模型。

整个过程,从引入数据到标记到模型训练,都可以通过拖动接口完成。听起来很擅长,很多人对AutoMLVision也表示赞赏,特别是李飞飞和李佳也对此表示期待。李飞飞在2018年发表谷歌CloudAutoML时说:大约一年前我们俩一起加入谷歌云的时候,我们有把AI带到平民化的愿景。

我们的目标是降低AI的用于门槛,使AI尽可能多地接触开发者、研究者和商业用户。李飞飞对谷歌AutoMLL是TensorFlow和CloudVisionAPI之间的产品,可以让非专业机械学习者根据市场需求开发机械学习模型,这个定位如何解读,什么样的人使用TensorFlow,什么样的人使用Cloud智铀科技创始人夏粉告诉他,TensorFlow适合算法科学家,适合有一定机器学习基础的人研究算法和应用。

CloudVision适用于关心AI应用的人,希望用AI模型解决问题应用于场景问题。例如,像脸部识别一样,需要用API展开脸部识别。

这里的模型是已经建成的模型。AutoML在两者之间,限于机器学习背景强或与经验无关的人进行模型,根据手头场景数据制作该场景的模型。

TensorFlow研究如何建模,AutoML是协助建模的,CloudVision是模型所必需的。很多媒体在报道AutoML时都写道,只要写一行代码就可以自动分解机械学习模型。

也许有人说AutoML不写代码也可以使用,但没有经验的人不怎么能得到想象的结果。AutoML允许Rachel是什么?Thomas在博文中分析了GoogleCloudAutoML。第一个仅次于允许的是需要大量的计算能力,谷歌使用的神经结构检索方法必须用500GPU训练4天。

极速快车官方入口

在2018年3月的TensorFlow开发者峰会上,JeffDean对未来作出反应,谷歌Cloud不会以100倍的计算力代替机械学习专家,对计算力强烈拒绝的神经结构的搜索进行比较。其次,机器学习的步骤简单,数据清除和模型训练是机器学习中特别耗时的部分,AutoML解决了模型训练问题,但数据清除对数据科学家有很高的拒绝。另外,神经结构的搜索要找到新的结构,现在很多人不需要新的结构,只要转入自学未知的结构就能解决问题。云脑科学技术的核心算法工程师徐昊说,AutoML现在面临着三个问题。

第一,计算量:目前的AutoML优化算法应充分发挥其性能,并在超级参数空间中取样充分。每个取样点都是超强参数的配置,必须经过原始的训练过程。在线CTR估算等小项目中,模型大数据大,每次原始训练资源不足。

在这种情况下,AutoML的自动调整需要很长时间,这通常不是项目周期所能拒绝的。二是局限性:AutoML算法目前主要针对推荐和部分特征提取问题,可以说只是机械学习项目的一环。在实践中建立需要落地的模型,必须考虑很多因素。

例如,对于不同类型的数据,如何选择合适的模型;模型的大小、特征是选择延迟到最后deloy时serving的tradeoff等。第三,人类工程师的参与:AutoML在当前的状态下,几乎可以代替人类工程师在大项目中玩耍。我们指出的好方法是AutoML需要与人类工程师合作,AutoML的优化算法需要展示推荐过程和方向,工程师容易出手。

获得合适的模块,将人工经验引入自动自学过程。AutoML有什么细分服务?和AutoMLVision一样,AutoMLNaturallanguage和AutoMLTranslation也是为了提高AI民主化,更多的公司和开发者需要制作自己的自然语言处理应用程序,或者AI翻译。CloudAutoMLNaturalLanguage需要自动预测客户所需的定制文本类别。例如,美国出版发行和多样化媒体巨头赫斯特集团用于Google的新工具管理其内容,他们的高级副社长EsfandPourmand应用,该工具应用于自定义的AI模型,其精度低于其他方案。

CloudAutoMLTranslation可以为客户定制简化的翻译成为市场需求,日本经济新闻社数字业务常务董事HiroyukiWatanabe应对,CloudAutoMLTranslation这个工具需要慢慢简化内容谷歌Cloud研发负责人李佳说:从那以后,AutoML可以为各行各业缺乏AI经验的企业和开发者获得自动分解图像、语言、翻译成功能。AutoML注册用户也早已达到18000家,服务行业跨媒体、零售、金融、保险、能源、医疗、环境等。为什么谷歌应该向不同的场景推出合适的AutoML版本?云脑科技中国区数据算法负责人黄赞指出,有不同领域的数据处理、特征提取、模型自由选择和优化过程的差异较小。

例如,在NLP模型中,必须提取许多与语法相关的特征,甚至与句子中的关键词方向相关的特征。在Vision模型中,必须提取与图像histogram相关的特征,差异较小。

谷歌发售的细分场景的AutoML,必须提高自动自学在各个领域的效率。重新发售AutoMLVision是因为不知道vision。与自然语言领域相比,图像视觉领域的研究更加充分,数据集也更加丰富。

另外,在图像和语音领域可以获得更完整的数据信息,自然语言的文本已经是人脑处理和抽象化的结果,前者容易被神经网处理。但是,对于AutoML来说,背后有很多技术相连。从AutoMLVision获得的经验也可以转入。

谷歌的说明显示,新出现的两个系列也应该在AutoML引擎中搭载自动招聘优秀和TransferLearning两个模块,是各自细分领域的Ultra。AutoML的本质是利用优化算法代替人类工程师开展模型征聘优等工作,降低专家成本。在细分领域,如果该领域的数据特征和处理流程是独一无二的(因此,没有必要应用其他领域的AutoML方案),或者人类专家在解决这个领域的问题时没有大量的机械重复没有创造性的劳动,这个部分的工作将来很可能被AutoML所取代。

极速快车

夏粉指出,ML(机械学习)的研究点非常多,AutoML也有很多可研究的技术。此外,技术不会不断更新和变化。

每个场景的数据、特点、算法和应用程序都不同。必须有针对性的AutoML版本。

不同的场景需要不同的机械技术。AutoML的技术也不知道细分。例如,AutoMLVision包括AutoML图像和AutoML视频,NLP包括中文和英文。创业公司进入AutoMLGoogle,将自己的项目命名为GoogleCloud的AutoML,名字相当方便,现在很多人认为AutoML是Google家。

AutoML的概念只源于2012年学术界明确提出的新观念——Programmingbyoptimization(Pbo),打算解决问题编程时人工调整参数的问题。在学术界和行业对AutoML许多实践中,我们也看到了微软公司CustomVision.AI、国内智铀科学技术的小智、云脑科学技术的Deepro平台等产品。奇怪,在这个领域,创业公司如何与大公司竞争?夏粉告诉他,如果我真的和谷歌AutoML进行差异化竞争,一个是AutoML技术要点非常多,创业公司可以从中滚动一个要点,集中精力解决问题的AutoML问题,商业化,横向化。

第二,谷歌AutoML的战略主要是谷歌Cloud平台,希望更多的顾客用于谷歌Cloud。创业公司可以集中在私有化部署这个市场,实现非云。

第三,可以实现不同行业的AutoML解决方案(例如金融行业、安全行业、市场营销行业、我们也有不同行业的版本),为横向行业降低机械学习的门槛。对于智铀来说,AutoMLVision和NLP这样类似的产品将来可能会实现,眼前可能会实现与谷歌不同的产品。云脑科学技术核心算法工程师徐昊回答说,谷歌的AutoML与其云平台一起销售。

用户用于AutoML的时间越宽,谷歌Cloud的收益也越大。而且,对于普通公司来说,不一定有谷歌Cloud这样的计算资源。

即使享受了很多计算,也只限于项目的周期允许,对现有的AutoML的计算有效率。拒绝。

极速快车

在计算资源不是卖点的情况下,中小创业公司必须提出更细致的AutoML方案。云脑在开发AutoML产品时有三个优化方向。首先,效率更高,我们在更深层次上进一步减少AutoML的计算量,自动推荐需要超过工程实践的市场需求。

其次,更加全面,通盘考虑了ML流程整体落地的全因素,展开了全球优化。其三低透明度,重视AutoML的工具性,人类工程师需要更好地观察和插手。显然,正如许多行业相关人士所说,人工智能是一个全新的时代。

目前,与互联网时代相似的巨头还没有频繁出现,需要抢占所有领域。新的时代,新的机会,适合创业公司建造自己的土壤。文章:谷歌大脑解析AutoML:神经网络如何设计神经结构?|GoogleI/O2017李飞飞发文宣布谷歌云AutoMLVision平台,订购简化的企业级机械学习模型仍然是难题正式成立一年的AutoML商用产品小智下一篇文章发表了注意事项。


本文关键词:极速快车,极速快车官方入口,极速快车

本文来源:极速快车-www.forex-demo-account-8.com