Mit TensorFlow bietet Google Open Source seine Ressourcen für maschinelles Lernen an

Google hat gestern TensorFlow angekündigt und seine Forschung und erfolgreiche interne Skalierung des maschinellen Lernens als Open-Source-Projekt unter einer Apache 2.0-Lizenz veröffentlicht. TensorFlow wird die Einführung von maschinellem Lernen durch Tausende kreativer Produktentwicklungsteams beschleunigen, die nicht über die umfangreichen Forschungsressourcen für maschinelles Lernen von Google verfügen.

Ein gutes Beispiel für die Auswirkungen des maschinellen Lernens durch Interaktionen von Menschen und Systemen ist Teslas Autopilot Beta. Während die Fahrer mit dem Autopiloten interagieren und ihn korrigieren, haben die Fahrer berichtet, dass sich das Leitsystem selbst verbessert.

Google hat in fortschrittliche Forschung im Bereich maschinelles Lernen investiert und das beste Talent des Unternehmens für künstliche Intelligenz / tiefes Lernen auf das Google Brain Project angewendet, das von Andrew Ng und jetzt unter John Giannandrea in Zusammenarbeit mit führenden akademischen Labors wie Stanford und Carnegie Mellon ins Leben gerufen wurde die Produkte von Google verbessern.

Google

Benutzer mobiler Geräte haben eine genaue Spracherkennung, Sprachübersetzung, eine menschenähnliche Interpretation von Fotos und Videos sowie erwartete Suchergebnisse akzeptiert und erwarten diese. Dies alles ist das Ergebnis des maschinellen Lernens von Google, dem Produkt der neuronalen Netzwerkforschung von Google, das Schlagzeilen machte, als es lernte, Katzen in Videos ohne Tags zu identifizieren. Auf den ersten Blick mag die Erfahrung gruselig erscheinen, aber schließlich akzeptieren die Leute einfach Systeme, die Bedürfnisse antizipieren und Optionen im Kontext von "Empfehlungs" -Metaphern präsentieren.

Das Prinzip ist einfach: Richtig programmierte Maschinen können aus Daten lernen (je mehr Daten desto besser) und Entscheidungen mit beispielloser Geschwindigkeit treffen. Zum Beispiel fühlen sich die menschlichen Sinne beim Fahren mit einer Geschwindigkeit von 70 Meilen pro Stunde an ihre Grenzen gestoßen, aber bei diesen Geschwindigkeiten kann der Autopilot von Tesla in einem Bruchteil der Zeit erfassen, berechnen und eine Entscheidung treffen. Wenn erfolgreich entwickelte maschinell lernbasierte Systeme auf eine menschliche Interaktion stoßen, wird menschliche Intelligenz übertragen und das System verbessert.

Im Jahr 2011 hat Google DistBelief für seine Forscher für maschinelles Lernen und künstliche Intelligenz entwickelt, um immer größere neuronale Netze mit Tausenden von Kernen aufzubauen, die aus großen komplexen Datensätzen gelernt haben, um komplexe Aufgaben wie das Erkennen von Bildern und das Interpretieren schlecht artikulierter Sprache auszuführen. DistBelief hat gezeigt, dass Machine Intelligence bei Googles milliardenschweren Nutzern eingesetzt werden kann.

Das Erstellen eines Systems wie DistBelief für die Verwendung innerhalb der Grenzen von Google war ein interner Erfolg, konnte jedoch nicht für das unabhängige maschinelle Lernen oder allgemeine unabhängige Entwicklergemeinschaften freigegeben werden. DistBelief war eng auf neuronale Netze ausgerichtet, schwer zu konfigurieren und eng mit der internen Infrastruktur von Google verbunden. Was fehlte, war das Engagement der Community für maschinelles Lernen, durch Austausch von Code und dynamisches Experimentieren voneinander zu lernen, wie Maschinen aus der Interaktion mit Menschen lernen und die Entwicklung des maschinellen Lernens durch die Interaktion von Entwicklern rekursiv verbessern.

Googles Open-Source-System für maschinelles Lernen der zweiten Generation TensorFlow wurde speziell entwickelt, um die Mängel von DistBelief zu beheben. Google hat TensorFlow entwickelt, damit allgemeinere Anwendungen flexibler, portabler und für mehr Entwickler erreichbar sind. Es wurde für maschinelle Lernanwendungen in der Produktion entwickelt und soll schnell und skalierbar sein. In einigen Benchmarks war TensorFlow doppelt so schnell wie DistBelief.

Deep Learning, maschinelles Lernen und künstliche Intelligenz sind einige der Kernkompetenzen von Google, in denen das Unternehmen Apple und Microsoft leitet. Wenn dies erfolgreich ist, besteht die Strategie von Google darin, diesen Vorsprung zu behaupten, indem die Technologie öffentlich zugänglich gemacht wird, um sie auf der Grundlage einer umfassenden Akzeptanz und von Codebeiträgen der gesamten Community zu verbessern.

Treten Sie den Network World-Communitys auf Facebook und LinkedIn bei, um Kommentare zu Themen abzugeben, die im Vordergrund stehen.