Alle som har prøvd Google-bilder, vil være enige om at denne gratis lagrings- og administrasjonstjenesten fra Google er smart. Den pakker i ulike smarte funksjoner som avansert søk, mulighet til å kategorisere bildene dine etter steder og datoer, automatisk lage album og videoer basert på likheter, og gå deg ned i minnesporet ved å vise bilder på samme dag for flere år siden. Det er mange ting Google Photos kan gjøre som for flere år siden ville være maskin-ly umulig. Google Photos er en av de mange "smarte" tjenestene fra Google som bruker en maskinlæringsteknologi kalt TensorFlow. Ordet læring indikerer at teknologien vil bli smartere med tiden til det punktet at vår nåværende kunnskap ikke kan forestille seg. Men hva er TensorFlow? Hvordan kan en maskin lære? Hva kan du gjøre med det? La oss finne det ut.
Hva er TensorFlow?
TensorFlow er Googles åpen kildekode og kraftig programvare for kunstig intelligens, som gir mange tjenester og initiativer fra Google. Det er den andre generasjonen av et system for omfattende maskinlæringsimplementeringer, bygget av Google Brain-teamet. Dette algoritmebiblioteket lykkes DistBelief - den første generasjonen.
Teknologien representerer beregning som statlige dataflytediagrammer. Det som gjør TensorFlow unikt, er evnen til å modellere beregninger på et stort utvalg av maskinvare, fra mobile enheter til forbrukernivå til førsteklasses multi-GPU-servere. Det kan kjøre på forskjellige GPUer og CPUer og lover skalerbarheten av maskinlæring blant de ulike enhetene og gadgets uten å måtte endre en betydelig mengde kode.
TensorFlow stammer fra Googles behov for å instruere et datasystem for å etterligne hvordan en menneskelig hjerne virker i læring og resonnement. Systemet, kjent som nevrale nettverk, skal kunne utføre på flerdimensjonale datarammer som er referert til som "tensors". Endemålet er å trene nevrale nettverk for å oppdage og dechifrere mønstre og korrelasjoner.
I november 2015 laget Google denne åpen kildekode- teknologien og tillot at den ble vedtatt i alle typer produkter og undersøkelser. Alle, inkludert forskere, ingeniører og hobbyister, kan bidra til å øke veksten i maskinlæring og ta det til et høyere nivå på kortere tid.
Dette trekket viste seg å være det rette fordi det er så mange bidrag fra de uavhengige utviklerne til TensorFlow at de langt overgår Googles bidrag. Wikipedia nevner at "det er 1500 repositorier på GitHub som nevner TensorFlow, hvorav 5 er fra Google." Det er sagt, en av diskusjonene i Quora mistenker at den utgitte åpen kildekoden er "oppryddet" versjonen fra en som Google bruker i sine tjenester.
Hvordan virker TenserFlow?
Ved hjelp av det enkle normale menneskelige språket og en tung forenkling, kan vi se en side av TensorFlow som en avansert autonom filtreringsteknologi. I sitt hjerte er teknologien et stort programvarebibliotek med maskinlæring. Den bruker databasen for å hjelpe den med å "ta beslutning".
For eksempel, noen laster opp et bilde til Google Foto. Teknologien vil sammenligne alle detaljene fra bildet til databasen og avgjøre om det er et bilde av et dyr eller menneske. Så hvis det er et menneske, vil det prøve å bestemme kjønn, alder helt til hvem personen er. Den samme prosessen gjentas for andre gjenstander i bildet.
Den bruker også brukerens data som personens identitet i bildet og plasseringen der bildet er tatt, for å forbedre biblioteket slik at det kan gi bedre resultater i fremtiden - både for den enkelte som lastet opp bildet og for alle ellers. Dermed er begrepet "læring". Men det stopper ikke bare ved å kjenne og lære data fra bilder. Det er så mye at teknologien kan gjøre med informasjon fra et bilde. For eksempel kan det gruppere bilder med lignende detaljer som samme person, samme sted, samme dato; se ansiktsmønsteret for å finne ut hvilken familie og venner personen i bildet tilhører, og bruk informasjonen til å lage videoer av familieferie eller animasjon fra kontinuerlige bilder.
Det knapt riper overflaten av hvordan TensorFlow fungerer, men jeg håper det kan gi deg et generelt bilde av teknologien. Også ved å bruke bare ett eksempel kan ikke rettferdighet til hva det er i stand til.
Og for alle Artificial Intelligence-entusiaster der ute, er det verdt å nevne at Google allerede opprettet en dataplatteknologi optimalisert for maskinlæring og integrering av TensorFlow i den. Det kalles Tensor Processing Unit (TPU) ASIC-chip .
De som vil lære mer om TensorFlow kan besøke sin opplæringsside.
Applikasjoner av TensorFlow
Vi er på et tidlig stadium av maskinlæringsteknologi, så ingen vet hvor det vil ta oss. Men det er noen få opprinnelige applikasjoner som kan gi oss titt på fremtiden. Som det kommer fra Google, er det åpenbart at Google bruker teknologien til mange av tjenestene sine.
Mer om bildeanalyse
Vi har diskutert eksemplet på bruk av teknologien for bildeanalyse i Google Foto. Men bildeanalyseprogrammet brukes også i Google Maps 'Street View-funksjon. For eksempel brukes TensorFlow til å koble bildet med kartkoordinatene og for å automatisk sløre nummeret på nummerplaten til en hvilken som helst bil som ved et uhell er inkludert i bildet.
Talegjenkjenning
Google bruker også TensorFlow for sin talestyringsprogramvare for talegjenkjenning. Teknologien som gir brukerne mulighet til å snakke ut instruksjoner, er ikke nytt, men med TensorFlow-bibliotekets stadigvoksne bibliotek, kan det hende at funksjonen oppgraderer noen få hakk. For tiden gjenkjenner talegjenkjenningsteknologien over 80 språk og varianter.
Dynamisk oversettelse
Et annet eksempel på "læring" -delen av maskinlæringsteknologi er Googles oversettelsesfunksjon. Google lar brukerne legge til nye vokabularer og fikse feilene i Google Translate. Den stadig voksende data kan brukes til å automatisk oppdage hvilket språk som andre brukere vil oversette. Hvis maskinen gjør feil i språkdeteksjonsprosessen, kan brukerne rette dem. Og maskinen vil lære av disse feilene for å forbedre fremtidens ytelse. Og syklusen fortsetter.
Alpha Go
Et morsomt eksempel på bruk av TensorFlow er Alpha Go. Det er et program som er programmert til å spille Go . For de som ikke er kjent med Go, er det et abstrakt brettspill for to spillere som stammer fra Kina i mer enn fem tusen fem hundre år siden, og det er det eldste brettspillet som fortsatt spilles kontinuerlig i dag. Mens reglene er enkle - å omgjøre mer territorium enn motstanderen, er spillet utrolig komplekst, og ifølge Wikipedia: "har flere muligheter enn totalt antall atomer i det synlige universet."
Så det er interessant hva en lærende maskinteknologi kan gjøre med uendelige muligheter. I kampene mot Lee Sedol - den 18-tiden Go-verdensmesteren, vant Alpha Go 4 ut av 5 kamper og fikk den æres høyeste Go grandmaster rang.
Magenta Prosjekt
En annen interessant applikasjon av TensorFlow er Magenta-prosjektet. Det er et ambisiøst prosjekt for å lage maskingenerert kunst . En av de tidlige konkrete resultatene av eksperimentet er 90-sekunders piano melodi. På sikt håper Google å generere mer avansert maskingenerert kunst via sitt Magenta-prosjekt og bygge et fellesskap av kunstnere rundt seg.
I februar 2016 arrangerte Google også en kunstutstilling og auksjon i San Fransisco som viser 29 datamaskiner, med litt hjelp fra menneskelige kunstverk. Seks av de største verkene ble solgt for så mye som $ 8000. Datamaskinen kan fortsatt ha en veldig lang vei å gå før den kan etterligne en ekte artist, men hvor mye penger folk er villige til å betale for kunsten, viser oss hvor langt teknologien har gått.
Støtte for iOS
Selv om vi allerede har sett evnen til TenserFlow på Android, med sin nyeste versjon, legger TensorFlow til slutt støtter til iOS-enheter. Siden det er tonnevis av flotte mobilapper tilgjengelig utelukkende for iOS, eller utgitt først på iOS, betyr det at vi kan forvente flere flotte mobile apps som vedtar maskinlæring i nær fremtid. Det samme kan sies for mulighetene for bredere adoptioner og applikasjoner av TensorFlow.
Fremtiden for TensorFlow
Hva kan man muligens gjøre med en maskin som kan lære og ta sin egen beslutning? Som en person som behandler mer enn ett språk som en del av det daglige livet, er det første som kommer inn i mitt sinn, språkoversettelse. Ikke i ordet på ordnivå, men mer på lengre tekstnivå som dokumenter eller til og med bøker. Dagens oversettelsesteknologi er begrenset til vokabularene. Du kan lett finne ut hva som er "sovende" på kinesisk og omvendt, men prøv å kaste i ett kapittel av Eiji Yoshikawa's Musashi i sin opprinnelige japanske og oversette kapitlet til engelsk. Du får se hva jeg får på.
Det er også morsomt å se hva fremtiden for kunstig intelligens kan gjøre med musikk. Selv om det fortsatt er veldig grunnleggende, kan Apples Music Memo-app allerede gi automatisk bas og trommesamling til den innspilt sangen din. Jeg husker en episode av et SciFi-TV-show hvor et tegn i showet skapte en maskin som analyserer alle de beste sangene i diagrammene og kan skrive egne treffsanger. Vil vi noen gang komme dit?
Og som avsluttende tanke, vil jeg gjerne nevne Sunspring . Det er en kort science fiction film skrevet helt av en AI-manusforfatter som kalte seg Benjamin - som selv komponerte popsangens musikalske interlamer. Filmen ble satt sammen av regissør Oscar Sharp for 48-timers filmutfordring av Sci-Fi London-arrangementet.
Nå kan jeg ikke slutte å tenke på Terminator. Velkommen til fremtiden.
Bildekreditt: Wikipedia, TechInsider, The Verge, Wall Street Journal
