大数据文摘作品

编译:钱天培、龙牧雪




连发三条推特!今天凌晨时分,李飞飞通过一篇博客文章发布了谷歌最新AI产品——AutoML Vision,可以自动设计机器学习模型。













我很荣幸地宣布AutoML Vision面世。无需精通机器学习,每个人都能用这款AI产品定制机器学习模型。这是“AI民主化”的重要进展!

——李飞飞




这个名为Cloud AutoML的宏大项目浮出水面,或标志谷歌发展的战略转型。一直以来面向机器学习人工智能开发者的Google
Cloud,这次将服务对象转向了普罗大众。




今天面世的AutoML Vision是一款提供自定义图像识别系统自动开发的服务。也就是说,
即使是没有机器学习专业知识的的小白,只需了解模型基本概念,也能借这项服务轻松搭建定制化的图像识别模型。而且,这一切将通过云端完成。








从此以后,一行代码也不用写?






除了图像识别,谷歌未来还计划将AutoML服务拓展到翻译、视频和自然语言处理等领域。




谷歌的宏伟愿景由本次发布可见一斑——你只需在系统中上传自己的标签数据,就能得到一个训练好的机器学习模型。
整个过程,从导入数据到标记到模型训练,都可以通过拖放式界面完成。










从技术层面来看,谷歌通过迁移学习(Transfer
Learning)将已训练完成的模型,转移到新的模型训练过程。这样,能够用较少量数据训练出机器学习模型。对于医疗领域而言,这点尤为重要,因为在为罕见疾病和一些特殊案例建模时,往往无法取得足够的训练数据。此外,谷歌还通过learning2learn功能自动挑选适合的模型,搭配超参数调整技术(Hyperparameter
tuning technologies)自动调整参数。





AutoML由控制器(Controller)和子网络(Child)2个神经网络组成,控制器生成子模型架构,子模型架构执行特定的任务训练并评估模型的优劣反馈给控制器,控制器将会将此结果作为下一个循环修改的参考。重复执行数千次“设计新架构、评估、回馈、学习”的循环后,控制器能设计出最准确的模型架构。




在这一过程中,搭建训练模型、调参等种种老大难题都能被自动解决,这也将Google Cloud这一新服务与微软Azure ML的机器学习平台区分开。




解决了机器学习的技术门槛后,只要有开发能力,就算不懂机器学习知识,也能通过AutoML打造出一套企业级的机器学习应用或AI应用。




众所周知,机器学习专家的稀缺和水涨船高的薪资意味着大多数企业无法聘用自己的数据科学家,如果此项服务能够成熟落地,谷歌将无疑在众多云服务之争中开辟一大片新市场。








谷歌云AI研发负责人李佳(左)和首席科学家李飞飞




就在本周,李飞飞曾在新闻发布会上表示:“
人工智能、机器学习仍然是一个进入门槛高的领域,需要大量专业知识和资源,而很少有公司自己能负担得起这些资源。今天,虽然AI能为企业提供无数的益处,但由于资源稀缺,多数企业还无法开发个性化的模型。”




Cloud AutoML的发布显然是奔着解决这一痛点而来。






以AutoML
Vision为例,使用者只需要将图片上传并点击训练,便能选择要建立的定制模型或是既有的模型。如果希望定制化模型,谷歌建议理想的情况是,每个标记至少要有100张训练图片。如果选择通过Vision
API使用既有的模型,则只能标示一些常见的物件,像是脸部、标志、地标等。











虽然谷歌此次声称AutoML是市面上唯一提供类似服务的产品,但诸如Clarif.ai这样的服务也已打出过类似的旗号,而微软的认知服务也能让你定制预先训练好的视觉、语音识别和决策模型(不过所有这些服务都还未被正式发布)。




AutoML Vision究竟如何,还得由广大企业和开发者检验。目前,必须通过申请才能使用该服务,谷歌也仍未公开其定价。




对于此次发布,Google Cloud AI首席科学家李飞飞和研发负责人李佳也发表了一篇公开信。大数据文摘在这里截取了重点翻译。









Cloud AutoML: 让人工智能对每个企业都触手可及




自一年前加入Google
Cloud,我们就将“AI民主化”列为我们的重要使命。降低门槛、并将AI提供给最广大的开发者、研究人员和企业群体,是我们一直以来的目标。




在这条道路上,我们的Google Cloud AI团队已经取得了诸多进展。




2017年,我们推出了Google Cloud Machine Learning
Engine,帮助具有机器学习专业知识的开发人员轻松构建适用于任何规模、任何类型数据机器学习模型。我们展示了,在预先训练好的模型之上,现代机器学习服务(如视觉,语音,NLP,翻译和对话流等API)能为业务应用带来的无与伦比的规模和速度。
我们的数据科学家、机器学习研究者社区平台Kaggle如今已经拥有超过一百万的成员。而今天,已有超过10,000家企业使用Google Cloud
AI服务,其中包括Box,Rolls Royce Marine,Kewpie和Ocado等公司。




但我们的目标还远不止于此。
今天,世界上仍只有一小部分企业拥有足够的人力财力资源来充分发挥AI和机器学习的潜能;今天,世界上仍只有一小部分人能够开发出先进的机器学习模型。
即便那少数几家拥有AI专家的企业,也仍需要大量时间、经过繁复的过程才能构建出自定义的机器学习系统。虽然通过谷歌为特定任务设计的APIs,预训练的机器学习模型已经被实现,但在普及AI的道路上,我们还有很长的路要走。




为了进一步实现我们的愿景,让每个企业都能使用AI,我们今天推出了Cloud AutoML。 基于learning2learn和迁移学习等先进技术,Cloud
AutoML能够帮助机器学习专业知识薄弱的企业开始构建自己的高品质自定义模型。我们也相信Cloud
AutoML能使AI专家们更加高效,在AI中拓展新的领域,并帮助技术娴熟的工程师构建他们以前梦寐以求的强大AI系统。









Cloud AutoML的第一个发布将是Cloud AutoML Vision,这一服务可以更快、更轻松地创建用于图像识别的自定义机器学习模型。
其拖放式界面可让你轻松上传图像,训练和管理模型,然后直接在Google Cloud上部署这些训练有素的模型。我们先前使用Cloud AutoML
Vision对常用公共数据集(如ImageNet和CIFAR)进行分类,取得了比通用机器学习API更优的结果。




以下是Cloud AutoML Vision的详细性能介绍:




*
更精准:Cloud AutoML
Vision基于谷歌领先的图像识别方法,包括传输学习和神经架构搜索技术。这意味着即使企业不具备足够的机器学习专业知识,也可以获得更准确的模型。




*
更快:使用Cloud AutoML可以在几分钟内创建一个简单的模型,用以调试你想用AI支持的应用程序,可以在一天内构建能用于生产的完整模型。




*
操作简单:AutoML Vision提供了一个简单的图形用户界面,可让你指定数据,然后将数据转换为一个针对特定需求的高质量模型。




截至目前,已有包括迪士尼、伦敦动物学会ZSL、服饰品牌Urban Outfitter在内的多家公司和组织试用了该服务,取得了业务突破。




如果你想要试用AutoML Vision,可以通过该表格提交申请
(https://services.google.com/fb/forms/cloudautomlalphaprogram/)。




AutoML Vision是我们与Google Brain和其他Google AI团队密切合作的结果,也是Cloud
AutoML系列产品中的第一个。尽管在普及AI这条道路上我们才刚刚起步,但Cloud AI产品的10,000多个客户如今取得的成就已经让我们深受鼓舞。









谷歌云和谷歌大脑的合作,也体现在

李飞飞在推特上“点名表扬”Jeff Dean




我们希望Cloud AutoML的发布将帮助更多企业发现AI的潜力。






参考文献

Learning Transferable Architectures for Scalable Image Recognition, Barret
Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Arxiv, 2017.




Progressive Neural Architecture Search, Chenxi Liu, Barret Zoph, Jonathon
Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin
Murphy, Arxiv, 2017.




Large-Scale Evolution of Image Classifiers, Esteban Real, Sherry Moore, Andrew
Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin.
International Conference on Machine Learning, 2017.




Neural Architecture Search with Reinforcement Learning, Barret Zoph, Quoc V.
Le. International Conference on Learning Representations, 2017.




Inception-v4, Inception-ResNet and the Impact of Residual Connections on
Learning, Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, Alex Alemi. AAAI,
2017.




Bayesian Optimization for a Better Dessert, Benjamin Solnik, Daniel Golovin, 
Greg Kochanski, John Elliot Karro, Subhodeep Moitra, D. Sculley. NIPS, Workshop
on Bayesian Optimization, 2017.




新闻来源


https://techcrunch.com/2018/01/17/googles-automl-lets-you-train-custom-machine-learning-models-without-having-to-code/





https://blog.google/topics/google-cloud/cloud-automl-making-ai-accessible-every-business/




https://www.ithome.com.tw/news/120776/







【今日机器学习概念】

Have a Great Defination


<http://mp.weixin.qq.com/s?__biz=MjM5MTQzNzU2NA==&mid=2651656361&idx=1&sn=43e8cee0e5ef30cc10b37a08b7dcc849&chksm=bd4c373a8a3bbe2c7a4393c2258d80267f171d2f8cdc038503b43be6cbc87bae08ced64ecb90&scene=21#wechat_redirect>

线下课程推荐|机器学习和人工智能方向

早鸟价倒计时2天





新年新目标,稀牛喊你找工作啦!

✪  高频面试考点

✪  行业项目经验

✪  简历修改完善

✪  面试注意事项




VIP小班授课,定制化服务,2018春招Offer触手可即!






志愿者介绍

回复“志愿者”加入我们




友情链接
ioDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:637538335
关注微信