Cloud AutoML: Künstliche Intelligenz für jedes Unternehmen
2017 haben wir Google Cloud Machine Learning Engine eingeführt, um Entwicklern mit Know-how zu Maschinellem Lernen bei der Erstellung von ML-Modellen zu helfen, die mit jeder Art von Daten und jeder Größe funktionieren. Wir zeigten, wie moderne maschinelle Lerndienste, also APIs – einschließlich Vision, Speech, NLP, Translation und Dialogflow – auf bereits trainierten Modellen aufgebaut werden können, um Geschäftsanwendungen Skalierbarkeit und Geschwindigkeit zu bieten. Kaggle, unsere Gemeinschaft von Datenwissenschaftlern und ML-Forschern, ist auf über 1 Million Mitglieder angewachsen. Heute nutzen bereits mehr als 10.000 Unternehmen Google-Cloud-KI-Services, darunter Unternehmen wie Box, Rolls Royce Marine, Kewpie und Ocado.
Aber es gibt noch so viel mehr, was wir tun können. Derzeit haben nur eine handvoll Unternehmen auf der ganzen Welt Zugang zu Wissen und Budgets, die benötigt werden, um wirklich von ML und KI profitieren zu können. Es gibt nur wenige Menschen, die fortgeschrittene ML-Modelle erstellen können. Und auch wenn Experten im Unternehmen sind, muss immer noch der zeitintensive und komplizierte Prozess der Erstellung eines eigenen ML-Modells bewältigt werden. Google bietet bereits vorab geschulte ML-Modelle über APIs an, doch muss noch viel mehr getan werden, um KI jedem Unternehmen zugänglich zu machen.
Um diese Lücke zu schließen, führen wir eine neue Lösung ein: Cloud AutoML hilft Unternehmen mit wenig KI- und ML-Vorkenntnissen, ihre eigenen und auf ihre Bedürfnisse maßgeschneiderten Modelle zu erstellen. Dafür nutzt Cloud AutoML fortschrittliche Technologien, wie learning2learn und Transfer Learning von Google. Wir sind überzeugt, dass Cloud AutoML KI-Experten noch produktiver macht, neue Anwendungsfelder für KI erschließt und ML-Anfängern hilft, leistungsfähige Systeme zu entwickeln.
Was bietet Cloud AutoML Vision?
- Erhöhte Genauigkeit: Cloud AutoML Vision basiert auf Googles führender Bilderkennung, einschließlich Transfer Learning und Suchtechnologien für neuronale Architekturen. Unternehmen erhalten ein präziseres Modell, auch wenn sie nur über begrenzte Kenntnisse im Bereich des maschinellen Lernens verfügen.
- Kürzere Entwicklungszeiten für serienreife Modelle: Mit Cloud AutoML kann in wenigen Minuten ein einfaches Modell entwickelt werden, um KI-fähige Anwendungen zu testen. An nur einem Tag kann ein vollständiges, serienreifes Modell erstellt werden.
- Benutzerfreundlichkeit: AutoML Vision bietet eine einfache grafische Benutzeroberfläche, mit der Daten spezifiziert werden können. Diese werden dann in ein Modell umgewandelt, das auf spezielle Bedürfnisse zugeschnitten ist.
„Wir von Urban Outfitters sind ständig auf der Suche nach neuen Wegen, um das Einkaufserlebnis unserer Kunden zu verbessern“, sagt Alan Rosenwinkel, Data Scientist bei URBN. „Das Erstellen und Pflegen von Produktattributen in umfassenden Datensätzen ist entscheidend, um unseren Kunden relevante Produktempfehlungen, genaue Suchergebnisse und hilfreiche Produktfilter zur Verfügung zu stellen; das manuelle Erstellen von Produktattributen ist jedoch mühsam und zeitaufwändig. Um dies zu verbessern, hat unser Team Cloud AutoML getestet, indem es nuancierte Produkteigenschaften wie Muster und Dekolleté-Stile erkennt. Cloud AutoML hat großes Potenzial, unseren Kunden ein besseres Einkaufserlebnis dank optimierter Suchfunktion und Empfehlungen zu ermöglichen.“
Mike White, CTO und SVP für Disney Consumer Products and Interactive Media, sagt: „Die Technologie von Cloud AutoML hilft uns, KI-Modelle zu entwickeln, um unsere Produkte entsprechend nach Disney-Charakteren, Produktkategorien und Farben schnell zu verschlagworten. Diese Kategorisierung wird in unsere Suchmaschine integriert, um unseren Besuchern relevantere Suchergebnisse zu zeigen und Produktempfehlungen im Disney Shop zu verbessern.“
Sophie Maxwell, Conservation Technology Lead der Zoological Society of London: „ZSL ist eine internationale Naturschutzorganisation, die sich dem weltweiten Schutz von Tieren und deren Lebensräumen verschrieben hat. Eine wichtige Voraussetzung für die Durchführung dieser Mission ist das Analysieren von Wildtierpopulationen, um mehr über deren Verbreitung zu erfahren und die Auswirkungen des Menschen auf diese Arten besser zu verstehen. Um dies zu erreichen, setzt ZSL eine Reihe von Kamerafallen in freier Wildbahn ein, die durch Wärme oder Bewegung ausgelöst vorbeiziehende Tiere fotografieren. Die Millionen von Bildern, werden dann manuell analysiert, kommentiert und mit den entsprechenden Arten wie Elefanten, Löwen, Giraffen usw. verschlagwortet, was ein arbeitsintensiver und teurer Prozess ist. ZSLs hat eng mit dem Google-CloudML-Team zusammengearbeitet, um die Entwicklung dieser aufregenden Technologie mitzugestalten. Damit will ZSL die Verschlagwortung dieser Bilder automatisieren, um Kosten zu senken, eine breitere Implementierungen zu ermöglichen und ein tieferes Verständnis dafür zu erlangen, wie wir Wildtiere effektiv schützen können.“
Wer AutoML Vision ausprobieren will, kann über dieses Formular einen Zugang anfordern.
AutoML Vision ist das Ergebnis enger Zusammenarbeit von Google Cloud AI, Google Brain sowie weiteren Google-KI-Teams und ist das erste von mehreren Cloud-AutoML-Produkten. Während wir noch am Anfang unserer Reise stehen, KI zugänglicher zu machen, sind wir sehr beeindruckt von dem, was unsere mehr als 10.000 Kunden bereits mit den Cloud-KI-Produkten erreichen konnten.
Referenzen
[1] Learning Transferable Architectures for Scalable Image Recognition, Barret Zoph, Vijay Vasudevan, Jonathon Shlens, and Quoc V. Le. Arxiv, 2017.
[2] 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
[3] 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.
[4] Neural Architecture Search with Reinforcement Learning, Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.
[5] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, and Alex Alemi. AAAI, 2017.
[6] 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