Всеки, който е опитал Google Фото, ще се съгласи, че тази безплатна услуга за съхранение и управление на снимки от Google е умен. В нея са включени различни интелигентни функции като разширено търсене, възможност за категоризиране на снимките по местоположения и дати, автоматично създаване на албуми и видеоклипове на базата на сходства, както и преминаване през лентата с памет, като ви показва снимки от същия ден преди няколко години. Има много неща, които Google Снимки могат да направят, преди няколко години да са невъзможни. Google Фото е една от многото „интелигентни“ услуги на Google, която използва технология за машинно обучение, наречена TensorFlow. Думата учение показва, че технологията ще стане по-умна с времето до точката, която нашите текущи познания не могат да си представят. Но какво е TensorFlow? Как може една машина да се научи? Какво можете да направите с него? Нека разберем.
Какво е TensorFlow?
TensorFlow е софтуерът на Google с отворен код и мощен изкуствен интелект, който предоставя много услуги и инициативи от Google. Това е второто поколение система за мащабни внедрявания на машинно обучение, изградена от екипа на Google Brain. Тази библиотека от алгоритъм успява DistBelief - първото поколение.
Технологията представлява изчисления като графики на потока от данни за състояние. Това, което прави TensorFlow уникално, е способността му да моделира изчисления на широк спектър от хардуерни устройства - от мобилни устройства на потребителско ниво до мулти-GPU сървъри от световно ниво. Той може да работи на различни графични процесори и процесори и обещава мащабируемост на машинното обучение между различните устройства и приспособления, без да се налага да променя значително количество код.
TensorFlow произлиза от необходимостта на Google да инструктира компютърната система да имитира как работи човешкият мозък в обучението и разсъжденията. Системата, известна като невронни мрежи, трябва да може да изпълнява многомерни масиви от данни, наречени „тензори“. Крайната цел е да се обучат невронните мрежи за откриване и дешифриране на модели и корелации.
През ноември 2015 г. Google направи тази технология с отворен код и позволи да бъде възприета във всички видове продукти и изследвания. Всеки, включително изследователи, инженери и любители, може да помогне за ускоряване на растежа на машинното обучение и да го изведе на по-високо ниво за по-малко време.
Този ход се оказа правилният, защото има толкова много приноси от независимите разработчици на TensorFlow, че те далеч надхвърлят вноските на Google. Уикипедия споменава, че "има 1500 хранилища в GitHub, които споменават TensorFlow, от които 5 са от Google." този, който Google използва в своите услуги.
Как работи TenserFlow?
Използвайки обикновения нормален човешки език и голямо опростяване, можем да видим една страна на TensorFlow като усъвършенствана автономна технология за филтриране. В основата си технологията е огромна софтуерна библиотека за машинно обучение. Тя използва базата данни, за да му помогне да вземе решение.
Например, някой качва снимка в Google Фото. Технологията ще сравни всички детайли от картината с нейната база данни и ще реши дали това е картина на животно или човек. Тогава, ако това е човек, той ще се опита да определи пола, възрастта на целия път до кой е човекът. Същият процес се повтаря и за други обекти в снимката.
Той също така използва данните на потребителя, като например самоличността на лицето в картината и мястото, където се прави снимката, за да подобри библиотеката си, така че да може да даде по-добри резултати в бъдеще - както за индивида, който е качил снимката, така и за всички друго. Оттук и терминът “учене”. Но това не спира само върху познаването и изучаването на данни от снимки. Има толкова много неща, които технологията може да направи с информация от снимка. Например, той може да групира снимки със сходни данни, като например едно и също лице, едно и също място, същата дата; вижте шаблона на лицата, за да определите към кои семейства и приятели принадлежи човекът в снимката, и използвайте информацията, за да направите видеоклипове на семейна почивка или анимация от непрекъснати снимки.
Това едва докосва повърхността на работа на TensorFlow, но се надявам да ви даде обща картина на технологията. Също така, като се използва само един пример, не може да се оправдае това, за което е способен.
А за всички ентусиасти на Artificial Intelligence, които са там, си струва да споменем, че Google вече е създал технология за компютърен чип, оптимизирана за машинно обучение и интегриране на TensorFlow в нея. Тя се нарича Tensor процесор (TPU) ASIC чип .
Тези, които искат да научат повече за TensorFlow, могат да посетят неговата страница за уроци.
Приложения на TensorFlow
Ние сме на ранен етап от технологията за машинно обучение, така че никой не знае къде ще ни отведе. Но има няколко първоначални приложения, които могат да ни подскачат в бъдещето. Тъй като произхожда от Google, очевидно е, че Google използва технологията за много от своите услуги.
Повече за анализа на изображението
Обсъдихме примера за използване на технологията за анализ на изображения в Google Фото. Но приложението за анализ на изображения се използва и в функцията за показване на улици в Google Карти. Например, TensorFlow се използва за свързване на изображението с координатите на картата и автоматично размазване на регистрационния номер на всеки автомобил, който случайно е включен в изображението.
Гласово разпознаване
Google също използва TensorFlow за своя софтуер за разпознаване на глас. Технологията, която позволява на потребителите да говорят с инструкции, не е нова, но включването на все по-нарастващата библиотека на TensorFlow в микса може да доведе до затягане на функцията. Понастоящем технологията за разпознаване на реч разпознава над 80 езика и варианта.
Динамичен превод
Друг пример за частта “обучение” в технологията за машинно обучение е функцията за превод на Google. Google позволява на своите потребители да добавят нови речници и да поправят грешките в Google Преводач. Все по-нарастващите данни могат да се използват за автоматично откриване на езика за въвеждане, който другите потребители искат да преведат. Ако машината прави грешки в процеса на откриване на език, потребителите могат да ги коригират. И машината ще се поучи от тези грешки, за да подобри бъдещата си работа. И цикълът продължава.
Алфа Go
Един забавен пример за използване на TensorFlow е Alpha Go. Това е приложение, което е програмирано да играе Go . За тези, които не са запознати с Go, това е абстрактна игра за двама играчи с произход от Китай преди повече от пет хиляди и петстотин години и това е най-старата игрална дъска, която все още се играе непрекъснато днес. Въпреки че правилата са прости - да обграждат повече територия от противника, играта е изключително сложна и според Уикипедия: "притежава повече възможности от общия брой на атомите във видимата вселена."
Така че, интересно е какво технологията на машината за обучение може да направи с безкрайните възможности. В мачовете си срещу Лие Седол - 18-пътния световен шампион Go, Алфа Go спечели 4 от 5 мача и получи почетния най-висок ранг Гранд гросмайстор.
Проект Магента
Друго интересно приложение на TensorFlow е проектът Magenta. Това е амбициозен проект за създаване на машинно генерирано изкуство . Един от ранните осезаеми резултати от експеримента е 90-секундната пиано мелодия. В дългосрочен план, Google се надява да генерира по-съвременно изкуство, генерирано от машината, чрез своя проект Magenta и да изгради общност от артисти около нея.
През февруари 2016 г. Google проведе и изложба и търг в Сан Франциско, показвайки 29 генерирани компютри - с малко помощ от хора - произведения на изкуството. Шест от най-големите произведения бяха продадени за цели 8 000 долара. Компютърът може все още да има много дълъг път, преди да може да имитира истински художник, но количеството пари, които хората са готови да платят за изкуството, ни показват колко далеч е преминала технологията.
Поддръжка за iOS
Докато вече видяхме възможностите на TenserFlow за Android, с последната му версия, TensorFlow най-накрая добавя поддръжка за iOS устройства. Тъй като има тона големи мобилни приложения, достъпни изключително за iOS, или пуснати първи на iOS, това означава, че можем да очакваме по-големи мобилни приложения, които приемат машинно обучение в близко бъдеще. Същото може да се каже и за възможностите за по-широки осиновявания и приложения на TensorFlow.
Бъдещето на TensorFlow
Какво може да се направи с една машина, която може да научи и да вземе собствено решение? Като човек, който се занимава с повече от един език като част от ежедневния живот, първото нещо, което ми се струва, е преводът на езика. Не в думата на ниво дума, а по-дълъг текст като документи или дори книги. Днешната технология за превод е ограничена до речниците. Лесно можете да разберете какво е "спящо" на китайски и обратно, но се опитайте да хвърлите една глава на Мусаши на Айджи Йошикава в оригиналния си японски и преведете главата на английски. Ще видите какво получавам.
Също така е забавно да се види какво може да направи бъдещето на Изкуствения интелект с музиката. Въпреки че все още е много основно, приложението Music Apple Memo вече може да даде на бас и барабан съпровождане на записаното ви пеене. Спомням си един епизод от SciFi телевизионно шоу, където герой в шоуто създаде машина, която анализира всички най-популярни песни в класациите и може да пише свои хит песни. Ще пристигнем ли някога там?
И като заключителна мисъл, бих искал да спомена Sunspring . Това е кратък научно-фантастичен филм, написан изцяло от сценарист на ИИ, който нарича себе си Бенджамин - който дори е съставил музикалната поп-песенна интерлюдия. Филмът е създаден от режисьора Оскар Шарп за 48-часовото филмово предизвикателство на Sci-Fi London.
Сега не мога да спра да мисля за Терминатора. Добре дошли в бъдещето.
Кредит за изображения: Уикипедия, TechInsider, The Verge, Wall Street Journal
![Текстови съобщения и шофиране: шофиране докато сте вкоренени [инфографика]](https://gadget-info.com/img/tech/525/texting-driving-driving-while-intexticated-2.jpg)
