Enhver, der har prøvet Google Fotos, er enig i, at denne gratis fotooplagrings- og administrationsservice fra Google er smart. Den pakker i forskellige smarte funktioner som avanceret søgning, evnen til at kategorisere dine billeder efter placeringer og datoer, automatisk oprette album og videoer baseret på ligheder og gå dig ned i hukommelsesbanen ved at vise dig billeder fra samme dag for flere år siden. Der er mange ting, som Google Photos kan gøre, at flere år siden ville være umulig. Google Fotos er en af de mange "smarte" tjenester fra Google, der bruger en maskinindlæringsteknologi kaldet TensorFlow. Ordet læring indikerer, at teknologien bliver smartere med tiden til det punkt, at vores nuværende viden ikke kan forestille sig. Men hvad er TensorFlow? Hvordan kan en maskine lære? Hvad kan du gøre med det? Lad os finde ud af det.
Hvad er TensorFlow?
TensorFlow er Googles open source og kraftfulde software til kunstig intelligens, som giver mange tjenester og initiativer fra Google. Det er anden generation af et system til omfattende implementeringer af maskine læring, bygget af Google Brain teamet. Dette algoritmebibliotek lykkes DistBelief - den første generation.
Teknologien repræsenterer beregning som stateful dataflytediagrammer. Hvad gør TensorFlow unik, er dens evne til at beregne beregninger på et stort udvalg af hardware, fra mobile enheder til forbrugerne til førsteklasses multi-GPU-servere. Den kan køre på forskellige GPU'er og CPU'er og lover skalerbarheden af maskinindlæring blandt de forskellige enheder og gadgets uden at skulle ændre en betydelig mængde kode.
TensorFlow stammer fra Googles behov for at instruere et computersystem til at efterligne, hvordan en menneskelig hjerne arbejder i læring og ræsonnement. Systemet, der kaldes neurale netværk, skal kunne udføre på multidimensionale datarammer, der betegnes som "tensorer". Slutmålet er at uddanne neurale netværk til at detektere og dechiffrere mønstre og korrelationer.
I november 2015 lavede Google denne teknologi open source og tillod det at blive vedtaget i alle former for produkter og undersøgelser. Enhver, herunder forskere, ingeniører og hobbyfolk, kan medvirke til at fremskynde væksten i maskinindlæring og tage det til et højere niveau på mindre tid.
Dette skridt viste sig at være det rigtige, fordi der er så mange bidrag fra de uafhængige udviklere til TensorFlow, at de langt overstiger Googles bidrag. Wikipedia nævner, at "der er 1500 repositorier på GitHub, der nævner TensorFlow, hvoraf 5 er fra Google." Når det er sagt, drøfter en af diskussionerne i Quora, at den frigivne open source-kode er den "rydde op" version fra en, som Google bruger i sine tjenester.
Hvordan virker TenserFlow?
Ved hjælp af det simple normale menneskelige sprog og en tung forenkling kan vi se den ene side af TensorFlow som en avanceret autonom filtreringsteknologi. Teknologien er et kæmpe softwarebibliotek med maskinindlæring. Det bruger databasen til at hjælpe det med at "træffe beslutning".
For eksempel uploader nogen et billede til Google Fotos. Teknologien vil sammenligne alle detaljer fra billedet til dets database og afgøre, om det er et billede af et dyr eller menneske. Så hvis det er et menneske, vil det forsøge at bestemme køn, alder helt til, hvem personen er. Den samme proces gentages for andre objekter i billedet.
Det bruger også brugerens data som identiteten på den person i billedet og placeringen af billedet, for at forbedre biblioteket, så det kan give bedre resultater fremover - både for den enkelte, der uploadede billedet og for alle andet. Således udtrykket "learning". Men det stopper ikke kun ved at kende og lære data fra fotos. Der er så meget, at teknologien kan gøre med information fra et foto. For eksempel kan det gruppere fotos med lignende detaljer som den samme person, samme sted, samme dato; se ansigtsmønsteret for at bestemme, hvilken familie og venner personen i billedet tilhører, og brug oplysningerne til at lave videoer af familieferie eller animation fra kontinuerlige skud.
Det ridser næppe overfladen af, hvordan TensorFlow virker, men jeg håber det kan give dig et generelt billede af teknologien. Også ved brug af kun et eksempel kan man ikke gøre ret til det, som det er i stand til.
Og for alle Artificial Intelligence-entusiaster derude, er det værd at nævne, at Google allerede har oprettet en computerchipteknologi optimeret til maskinindlæring og integrering af TensorFlow i den. Det hedder Tensor Processing Unit (TPU) ASIC-chip .
De, der vil lære mere om TensorFlow, kan besøge sin vejledningsside.
Anvendelser af TensorFlow
Vi er på et tidligt stadium af maskinindlæringsteknologi, så ingen ved, hvor det vil tage os. Men der er et par oprindelige applikationer, der kan give os kig på fremtiden. Da det stammer fra Google, er det indlysende, at Google bruger teknologien til mange af sine tjenester.
Mere om billedanalyse
Vi har diskuteret eksemplet på at bruge teknologien til billedanalyse i Google Fotos. Men billedanalyseprogrammet bruges også i Google Maps 'Street View-funktion. For eksempel bruges TensorFlow til at forbinde billedet med kortkoordinaterne og automatisk blur nummerpladens nummer på enhver bil, der ved et uheld er inkluderet i billedet.
Tale genkendelse
Google bruger også TensorFlow til sin voice assistant talegenkendelse software. Teknologien, der giver brugerne mulighed for at udtale instruktioner, er ikke nyt, men med det stadigvoksne bibliotek af TensorFlow ind i mixet kan det medføre, at funktionen opfører et par noter op. I øjeblikket genkender talegenkendelsesteknologien over 80 sprog og varianter.
Dynamisk Oversættelse
Et andet eksempel på "learning" -delen af maskinindlæringsteknologi er Googles oversættelsesfunktion. Google giver brugerne mulighed for at tilføje nye ordforråd og rette fejlene i Google Translate. De stadigt voksende data kan bruges til automatisk at registrere det inputsprog, som andre brugere vil oversætte. Hvis maskinen gør fejl i sprogdetektering, kan brugerne rette dem. Og maskinen vil lære af disse fejl for at forbedre fremtidens præstationer. Og cyklen fortsætter.
Alpha Go
Et sjovt eksempel på brug af TensorFlow er Alpha Go. Det er en applikation, der er programmeret til at spille Go . For dem der ikke er bekendte med Go, er det et abstrakt brætspil for to spillere, der stammer fra Kina mere end fem tusinde fem hundrede år siden, og det er det ældste brætspil, der stadig afspilles i dag. Mens reglerne er enkle - at omgå mere territorium end modstanderen, er spillet utrolig komplekst, og ifølge Wikipedia: "har flere muligheder end det samlede antal atomer i det synlige univers."
Så det er interessant, hvad en lærende maskinteknologi kan gøre med de uendelige muligheder. I sine kampe mod Lee Sedol - den 18-timers Go-verdensmester, vandt Alpha Go 4 ud af 5 spil og fik den æresmæssige højeste Go grandmaster rang.
Magenta Projekt
En anden interessant anvendelse af TensorFlow er Magenta Project. Det er et ambitiøst projekt at skabe maskingenereret kunst . Et af de tidlige konkrete resultater af eksperimentet er 90 sekunder klavermelodien. På længere sigt håber Google at generere mere avanceret maskingenereret kunst via sit Magenta-projekt og opbygge et fællesskab af kunstnere omkring det.
I februar 2016 afholdt Google også en kunstudstilling og auktion i San Fransisco med 29 computergenererede - med lidt hjælp fra menneskelige kunstværker. Seks af de største værker blev solgt til så meget som $ 8.000. Computeren kan stadig have en meget lang vej at gå, før den kan efterligne en rigtig kunstner, men mængden af penge folk er villige til at betale for kunsten viser os, hvor langt teknologien er gået.
Støtte til iOS
Selvom vi allerede har set evnen hos TenserFlow på Android, med sin nyeste version, tilføjer TensorFlow endelig understøttelser til iOS-enheder. Da der er masser af fantastiske mobilapps, der udelukkende er til rådighed for iOS eller udgivet først på iOS, betyder det, at vi kan forvente flere fantastiske mobilapps, der vedtager maskine læring i den nærmeste fremtid. Det samme kan siges om mulighederne for bredere adoptioner og applikationer af TensorFlow.
Fremtiden for TensorFlow
Hvad kan man muligvis gøre med en maskine, der er i stand til at lære og træffe sin egen beslutning? Som en person, der beskæftiger sig med mere end ét sprog som en del af det daglige liv, er det første, der dukker op i mit sind, sprogoversættelse. Ikke i ordet på ordniveau, men mere på længere tekstniveau som dokumenter eller endda bøger. Dagens oversættelsesteknologi er begrænset til ordforrådene. Du kan nemt finde ud af, hvad der "sover" på kinesisk og omvendt, men prøv at smide et kapitel af Eiji Yoshikawa's Musashi i sin oprindelige japanske og oversætte kapitlet til engelsk. Du får se, hvad jeg får på.
Det er også sjovt at se, hvad fremtiden for kunstig intelligens kan gøre med musik. Selvom det stadig er meget grundlæggende, kan Apples Music Memo-app allerede give automatisk bas og tromme akkompagnement til din indspillede sang. Jeg kan huske en episode af et Scifi-tv-show, hvor et tegn på showet skabte en maskine, der analyserer alle de bedste sange i diagrammerne og kan skrive egne hitsangre. Vil vi nogensinde komme derhen?
Og som afsluttende tanke vil jeg gerne nævne Sunspring . Det er en kort science fiction film skrevet udelukkende af en AI-skribent, der kaldte sig Benjamin - som endda komponerede popsangens musikalske interlamer. Filmen blev sammensat af regissør Oscar Sharp for 48-timers filmudfordring af Sci-Fi London-arrangementet.
Nu kan jeg ikke stoppe med at tænke på Terminator. Velkommen til fremtiden.
Billedkredit: Wikipedia, TechInsider, The Verge, Wall Street Journal
