Alles wat u moet weten over TensorFlow van Google Brain

Iedereen die Google Foto's heeft geprobeerd, is het ermee eens dat deze gratis service voor het opslaan en beheren van foto's van Google slim is. Het bevat verschillende slimme functies, zoals geavanceerd zoeken, de mogelijkheid om uw foto's te categoriseren op locaties en datums, automatisch albums en video's te maken op basis van overeenkomsten, en u door het geheugen te leiden door u foto's van dezelfde dag enkele jaren geleden te laten zien. Er zijn veel dingen die Google Foto's kan doen die enkele jaren geleden machinaal onmogelijk zouden zijn. Google Foto's is een van de vele "slimme" services van Google die een machine learning-technologie genaamd TensorFlow. Het woord aan het leren geeft aan dat de technologie met de tijd slimmer zal worden tot op het punt dat onze huidige kennis zich niet kan voorstellen. Maar wat is TensorFlow? Hoe kan een machine leren? Wat kun je ermee doen? Dat zoeken we uit.

Wat is TensorFlow?

TensorFlow is de open-source en krachtig van Google kunstmatige intelligentiesoftware, die veel services en initiatieven van Google mogelijk maakt. Het is de tweede generatie van een systeem voor grootschalige implementaties van machine learning, gebouwd door het Google Brain-team. Deze bibliotheek met algoritmen volgt DistBelief op - de eerste generatie.

De technologie stelt berekeningen voor als stateful datastroomgrafieken. Wat TensorFlow uniek maakt, is de mogelijkheid om berekeningen te modelleren op een breed scala aan hardware, van mobiele apparaten op consumentenniveau tot multi-GPU-servers van wereldklasse. Het kan op verschillende GPU's en CPU's worden uitgevoerd en belooft de schaalbaarheid van machine learning tussen de verschillende apparaten en gadgets zonder een aanzienlijke hoeveelheid code te hoeven wijzigen.

TensorFlow is ontstaan ​​vanuit de behoefte van Google om te instrueren een computersysteem om na te bootsen hoe een menselijk brein werkt in leren en redeneren. Het systeem, bekend als neurale netwerken, zou moeten kunnen presteren op multidimensionale gegevensarrays die 'tensoren' worden genoemd. Het uiteindelijke doel is om de neurale netwerken te trainen om patronen en correlaties te detecteren en te ontcijferen.

In november 2015 heeft Google deze technologie gemaakt open source en liet het toe om in allerlei producten en onderzoeken te worden toegepast. Iedereen, inclusief onderzoekers, ingenieurs en hobbyisten, kan helpen de groei van machine learning te versnellen en in minder tijd naar een hoger niveau te tillen.

Deze stap bleek de juiste te zijn omdat er zoveel bijdragen van de onafhankelijke ontwikkelaars aan TensorFlow zijn dat ze de bijdragen van Google ver overtreffen. Wikipedia vermeldt dat “er zijn 1500 opslagplaatsen op GitHub waarin TensorFlow wordt genoemd, waarvan er 5 afkomstig zijn van Google. " Dat gezegd hebbende, vermoedt een van de discussies bij Quora dat de vrijgegeven open-sourcecode de 'opgeschoonde' versie is van degene die Google gebruikt in zijn services.

Hoe werkt TenserFlow?

Met behulp van de eenvoudige normale menselijke taal en een zware vereenvoudiging, zouden we de ene kant van TensorFlow kunnen zien als een geavanceerde autonome filtertechnologie. In wezen is de technologie een enorme softwarebibliotheek met machine learning. Het gebruikt de database om het te helpen "een beslissing te nemen".

Iemand uploadt bijvoorbeeld een foto naar Google Foto's. De technologie vergelijkt alle details van de foto met de database en beslist of het een foto van een dier of een mens is. Als het dan een mens is, zal het proberen het geslacht te bepalen, de leeftijd helemaal tot aan wie de persoon is. Hetzelfde proces wordt herhaald voor andere objecten op de foto.

Het gebruikt ook gebruikersgegevens, zoals de identiteit van de persoon op de foto en de locatie waar de foto is gemaakt, om de bibliotheek uit te breiden zodat het in de toekomst betere resultaten kan geven - zowel voor de persoon die de foto heeft geüpload als voor iedereen. anders. Vandaar de term "leren". Maar het stopt niet alleen bij het kennen en leren van gegevens uit foto's. Er is zoveel dat de technologie kan doen met informatie van een foto. Het kan bijvoorbeeld foto's groeperen met vergelijkbare details, zoals dezelfde persoon, dezelfde locatie, dezelfde datum; bekijk het patroon van gezichten om te bepalen tot welke familie en vrienden de persoon op de foto behoort, en gebruik de informatie om video's van familievakanties of animaties te maken op basis van doorlopende opnamen.

Dat krast nauwelijks het oppervlak van hoe TensorFlow werkt, maar ik hoop dat het je een algemeen beeld van de technologie kan geven. Ook kan het gebruik van slechts één voorbeeld geen recht doen aan waartoe het in staat is.

En voor alle liefhebbers van kunstmatige intelligentie die er zijn, is het de moeite waard te vermelden dat Google al een computerchiptechnologie heeft ontwikkeld die is geoptimaliseerd voor machine learning en dat TensorFlow erin is geïntegreerd. Het heet Tensor Processing Unit (TPU) ASIC-chip.

Degenen die meer willen weten over TensorFlow, kunnen de instructiepagina bezoeken.

Toepassingen van TensorFlow

We bevinden ons in een vroeg stadium van machine learning-technologie, dus niemand weet waar het ons heen zal brengen. Maar er zijn een paar eerste toepassingen die ons een kijkje in de toekomst kunnen geven. Omdat het afkomstig is van Google, is het duidelijk dat Google de technologie voor veel van zijn services gebruikt.

• Meer over beeldanalyse

We hebben het voorbeeld van het gebruik van de technologie voor beeldanalyse in Google Foto's besproken. Maar de applicatie voor beeldanalyse wordt ook gebruikt in de Street View-functie van Google Maps. TensorFlow wordt bijvoorbeeld gebruikt om de afbeelding te verbinden met de kaartcoördinaten en om automatisch het kenteken van een auto die per ongeluk in de afbeelding is opgenomen, te vervagen..

• Spraakherkenning

Google gebruikt TensorFlow ook voor zijn spraakherkenningssoftware. De technologie waarmee gebruikers instructies kunnen uitspreken, is niet nieuw, maar het opnemen van de steeds groter wordende bibliotheek van TensorFlow in de mix zou de functie een paar tandjes omhoog kunnen brengen. Momenteel herkent de spraakherkenningstechnologie meer dan 80 talen en varianten.

• Dynamische vertaling

Een ander voorbeeld van het 'leer'-gedeelte van machine learning-technologie is de vertaalfunctie van Google. Google stelt zijn gebruikers in staat om nieuwe vocabulaires toe te voegen en de fouten in Google Translate te herstellen. De steeds groter wordende gegevens kunnen worden gebruikt om automatisch de invoertaal te detecteren die andere gebruikers willen vertalen. Als de machine fouten maakt in het taaldetectieproces, kunnen gebruikers deze corrigeren. En de machine zal van die fouten leren om zijn toekomstige prestaties te verbeteren. En de cyclus gaat door.

• Alpha Go

Een leuk voorbeeld van het gebruik van TensorFlow is Alpha Go. Het is een applicatie die is geprogrammeerd speel Go. Voor degenen die niet bekend zijn met Go, het is een abstract bordspel voor twee spelers dat meer dan vijfduizendvijfhonderd jaar geleden in China is ontstaan, en het is het oudste bordspel dat nog steeds continu wordt gespeeld. Hoewel de regels eenvoudig zijn - om meer territorium te omringen dan de tegenstander, is het spel ongelooflijk complex en heeft het volgens Wikipedia "meer mogelijkheden dan het totale aantal atomen in het zichtbare universum."

Het is dus interessant wat een lerende machinetechnologie kan doen met de oneindige mogelijkheden. In de wedstrijden tegen Lee Sedol - de 18-voudig Go-wereldkampioen, won Alpha Go 4 van de 5 games en kreeg de ere-hoogste Go-grootmeesterrang.

• Magenta Project

Een andere interessante toepassing van TensorFlow is het Magenta Project. Het is een ambitieus project om te creëren machinaal gegenereerde kunst. Een van de eerste tastbare resultaten van het experiment is de pianomelodie van 90 seconden. Op de lange termijn hoopt Google via zijn Magenta-project geavanceerdere, machinaal gegenereerde kunst te genereren en er een gemeenschap van kunstenaars omheen te bouwen..

In februari 2016 hield Google ook een kunsttentoonstelling en veiling in San Fransisco met 29 computer gegenereerde - met een beetje hulp van menselijke - kunstwerken. Zes van de grootste werken werden verkocht voor maar liefst $ 8.000. De computer heeft misschien nog een lange weg te gaan voordat hij een echte kunstenaar kan imiteren, maar het bedrag dat mensen bereid zijn te betalen voor de kunst laat ons zien hoe ver de technologie is gegaan..

Ondersteuning voor iOS

Hoewel we de mogelijkheden van TenserFlow op Android al hebben gezien, voegt TensorFlow met de nieuwste versie eindelijk ondersteuning toe voor iOS-apparaten. Omdat er talloze geweldige mobiele apps exclusief voor iOS beschikbaar zijn, of als eerste op iOS worden uitgebracht, betekent dit dat we in de nabije toekomst meer geweldige mobiele apps kunnen verwachten die machine learning gaan toepassen. Hetzelfde kan gezegd worden voor de mogelijkheden van bredere adopties en toepassingen van TensorFlow.

De toekomst van TensorFlow

Wat kan men doen met een machine die kan leren en zelf een beslissing kan nemen? Als persoon die in het dagelijks leven met meer dan één taal te maken heeft, is het eerste dat in me opkomt het vertalen van talen. Niet in het woord voor woordniveau, maar meer in het langere tekstniveau zoals documenten of zelfs boeken. De vertaaltechnologie van vandaag is beperkt tot de vocabulaires. Je kunt er gemakkelijk achter komen wat 'slaapt' in het Chinees en vice versa, maar probeer een hoofdstuk van Eiji Yoshikawa's Musashi in het oorspronkelijke Japans in te voegen en het hoofdstuk in het Engels te vertalen. Je zult zien wat ik bedoel.

Het is ook leuk om te zien wat de toekomst van kunstmatige intelligentie met muziek kan doen. Hoewel het nog steeds erg basic is, kan de Music Memo-app van Apple al automatische bas- en drumbegeleiding geven aan je opgenomen zang. Ik herinner me een aflevering van een SciFi-tv-show waarin een personage in de show een machine creëerde die alle topnummers in de hitlijsten analyseert en in staat is om zijn eigen hitnummers te schrijven. Zullen we daar ooit aankomen??

En als slotgedachte wil ik nog vermelden Sunspring. Het is een korte sciencefictionfilm die volledig is geschreven door een AI-scenarioschrijver die zichzelf noemde Benjamin - die zelfs het muzikale intermezzo van de popsong componeerde. De film is samengesteld door regisseur Oscar Sharp voor het 48-uurs Film Challenge of Sci-Fi London-evenement.

Nu kan ik niet stoppen met denken aan de Terminator. Welkom in de toekomst.

Beeldcredits: Wikipedia, TechInsider, The Verge, Wall Street Journal