Jeder, der Google Photos ausprobiert hat, wäre damit einverstanden, dass dieser kostenlose Foto-Speicher- und Verwaltungsdienst von Google intelligent ist. Es bietet zahlreiche intelligente Funktionen, darunter eine erweiterte Suche, die Möglichkeit, Ihre Bilder nach Orten und Datumsangaben zu kategorisieren, automatisch Alben und Videos zu erstellen, die auf Ähnlichkeiten basieren, und Sie durch die Erinnerungsliste zu führen, indem Sie Ihnen Fotos des gleichen Tages vor einigen Jahren zeigen. Es gibt viele Dinge, die Google Photos tun kann, die vor einigen Jahren maschinell unmöglich wären. Google Photos ist einer der vielen „intelligenten“ Dienste von Google, die eine maschinelle Lerntechnologie namens TensorFlow verwenden. Das Wort Lernen bedeutet, dass die Technologie mit der Zeit intelligenter wird, bis zu einem Punkt, den sich unser aktuelles Wissen nicht vorstellen kann. Aber was ist TensorFlow? Wie kann eine Maschine lernen? Was kannst du damit machen? Lass es uns herausfinden.
Was ist TensorFlow?
TensorFlow ist Googles Open-Source- und leistungsstarke Software für künstliche Intelligenz, die viele Dienste und Initiativen von Google unterstützt. Es ist die zweite Generation eines Systems für umfangreiche maschinelle Lernimplementierungen, das vom Google Brain-Team entwickelt wurde. Diese Algorithmusbibliothek folgt DistBelief - der ersten Generation.
Die Technologie stellt Berechnungen als zustandsorientierte Datenflussdiagramme dar. Was TensorFlow so einzigartig macht, ist die Möglichkeit, Berechnungen auf einer breiten Palette von Hardware zu modellieren, von mobilen Endgeräten bis zu Multi-GPU-Servern der Weltklasse. Es kann auf verschiedenen GPUs und CPUs laufen und verspricht die Skalierbarkeit des maschinellen Lernens zwischen den verschiedenen Geräten und Geräten, ohne dass eine große Menge an Code geändert werden muss.
TensorFlow entstand aus der Notwendigkeit von Google, ein Computersystem anzuweisen , das die Funktionsweise eines menschlichen Gehirns beim Lernen und Denken nachahmen soll . Das als neuronale Netze bekannte System sollte in der Lage sein, multidimensionale Datenarrays, die als "Tensoren" bezeichnet werden, auszuführen. Das Endziel besteht darin, die neuronalen Netze so zu trainieren, dass sie Muster und Korrelationen erkennen und entschlüsseln.
Im November 2015 hat Google diese Technologie als Open-Source- Technologie entwickelt und in Produkte und Forschungen aller Art übernommen. Jeder, einschließlich Forscher, Ingenieure und Bastler, kann dazu beitragen, das Wachstum des maschinellen Lernens zu beschleunigen und es in kürzerer Zeit auf ein höheres Niveau zu bringen.
Dieser Schritt erwies sich als der richtige, weil es so viele Beiträge der unabhängigen Entwickler zu TensorFlow gibt, dass sie Googles Beiträge weit übertreffen. Wikipedia erwähnt, dass "es auf GitHub 1500 Repositories gibt, die TensorFlow erwähnen, von denen 5 von Google stammen." Eine der Diskussionen bei Quora vermutet jedoch, dass der veröffentlichte Open-Source-Code die "bereinigte" Version von ist eine, die Google in seinen Diensten verwendet.
Wie funktioniert TenserFlow?
Wenn wir die einfache menschliche Sprache und eine starke Vereinfachung verwenden, wird TensorFlow möglicherweise als eine fortschrittliche autonome Filtertechnologie betrachtet. Im Kern ist die Technologie eine riesige Software-Bibliothek für maschinelles Lernen. Sie verwendet die Datenbank, um die Entscheidung zu treffen.
Beispielsweise lädt jemand ein Foto in Google Fotos hoch. Die Technologie vergleicht alle Details des Bildes mit seiner Datenbank und entscheidet, ob es sich um ein Tier oder einen Menschen handelt. Wenn es sich um einen Menschen handelt, wird versucht, das Geschlecht und das Alter bis zur Person zu bestimmen. Der gleiche Vorgang wird für andere Objekte im Foto wiederholt.
Die Benutzerdaten wie die Identität der Person auf dem Bild und den Ort, an dem das Bild aufgenommen wird, werden ebenfalls verwendet, um die Bibliothek zu verbessern, damit sie in Zukunft bessere Ergebnisse erzielen kann - sowohl für die Person, die das Foto hochgeladen hat, als auch für jeden sonst. Daher der Begriff "Lernen". Es hört aber nicht nur auf, Daten aus Fotos zu kennen und zu lernen. Es gibt so viel, dass die Technologie mit Informationen aus einem Foto umgehen kann. Beispielsweise können Fotos mit ähnlichen Details gruppiert werden, z. B. dieselbe Person, dieselbe Position und dasselbe Datum. Sehen Sie sich das Muster der Gesichter an, um herauszufinden, zu welcher Familie und zu welchen Freunden die Person auf dem Foto gehört, und verwenden Sie die Informationen, um aus Serienaufnahmen Videos von Familienurlaub oder Animation zu machen.
Das kratzt kaum an der Oberfläche von TensorFlow, aber ich hoffe, es kann Ihnen ein allgemeines Bild der Technologie vermitteln. Nur ein Beispiel zu verwenden, kann dem, was es kann, nicht gerecht werden.
Für alle Artificial Intelligence-Enthusiasten ist es erwähnenswert, dass Google bereits eine Computerchip-Technologie entwickelt hat, die für das maschinelle Lernen optimiert ist und TensorFlow darin integriert. Es wird als Tensor Processing Unit (TPU) ASIC-Chip bezeichnet .
Wer mehr über TensorFlow erfahren möchte, kann die Tutorial-Seite besuchen.
Anwendungen von TensorFlow
Wir befinden uns noch in einem frühen Stadium der maschinellen Lerntechnologie, sodass niemand weiß, wohin uns das führen wird. Es gibt jedoch einige erste Bewerbungen, die uns einen Ausblick auf die Zukunft geben könnten. Da es von Google stammt, ist es offensichtlich, dass Google die Technologie für viele seiner Dienste verwendet.
Mehr zur Bildanalyse
Wir haben das Beispiel der Verwendung der Technologie für die Bildanalyse in Google Photos diskutiert. Die Anwendung zur Bildanalyse wird jedoch auch in der Street View-Funktion von Google Maps verwendet. TensorFlow wird beispielsweise verwendet, um das Bild mit den Kartenkoordinaten zu verbinden und das Nummernschild jedes Fahrzeugs, das versehentlich im Bild enthalten ist, automatisch zu verwischen.
Spracherkennung
Google verwendet TensorFlow auch für die Spracherkennungssoftware des Sprachassistenten. Die Technologie, mit der Benutzer Anweisungen aussprechen können, ist nicht neu, aber die ständig gewachsene TensorFlow-Bibliothek in den Mix zu integrieren, könnte das Feature ein paar Kerben nach oben bringen. Derzeit erkennt die Spracherkennungstechnologie über 80 Sprachen und Varianten.
Dynamische Übersetzung
Ein weiteres Beispiel für den Lernbereich der Machine Learning-Technologie ist die Übersetzungsfunktion von Google. Google erlaubt seinen Nutzern, neue Vokabulare hinzuzufügen und die Fehler in Google Translate zu korrigieren. Die ständig wachsenden Daten können verwendet werden, um automatisch die Eingabesprache zu erkennen, die andere Benutzer übersetzen möchten. Wenn das Gerät bei der Spracherkennung Fehler macht, können Benutzer diese korrigieren. Und die Maschine wird aus diesen Fehlern lernen, um ihre zukünftige Leistung zu verbessern. Und der Zyklus geht weiter.
Alpha gehen
Ein interessantes Beispiel für die Verwendung von TensorFlow ist Alpha Go. Es ist eine Anwendung, die zum Spielen von Go programmiert ist. Für diejenigen, die mit Go nicht vertraut sind, ist es ein abstraktes Brettspiel für zwei Spieler, das vor mehr als fünftausendfünfhundert Jahren in China gegründet wurde. Es ist das älteste Brettspiel, das bis heute ununterbrochen gespielt wird. Während die Regeln einfach sind - um mehr Territorium als den Gegner zu umgeben, ist das Spiel unglaublich komplex und laut Wikipedia: "besitzt mehr Möglichkeiten als die Gesamtzahl der Atome im sichtbaren Universum."
Es ist also interessant, was eine Lernmaschinentechnologie mit den unendlichen Möglichkeiten tun kann. In seinen Spielen gegen Lee Sedol - den 18-fachen Go-Weltmeister - gewann Alpha Go 4 von 5 Spielen und erhielt den ehrenamtlich höchsten Go-Grandmaster-Rang.
Magenta-Projekt
Eine weitere interessante Anwendung von TensorFlow ist das Magenta-Projekt. Es ist ein ehrgeiziges Projekt, maschinell erzeugte Kunst zu schaffen. Eines der ersten greifbaren Ergebnisse des Experiments ist die 90 Sekunden lange Piano-Melodie. Langfristig hofft Google, durch sein Magenta-Projekt fortschrittlichere maschinell generierte Kunst zu erzeugen und eine Künstlergemeinschaft zu schaffen.
Im Februar 2016 veranstaltete Google in San Fransisco eine Kunstausstellung und eine Auktion, bei der 29 computergenerierte Kunstwerke gezeigt wurden - mit etwas Hilfe von menschlichen Kunstwerken. Sechs der größten Werke wurden für bis zu 8.000 US-Dollar verkauft. Der Computer hat zwar noch einen sehr langen Weg vor sich, bis er einen echten Künstler imitieren kann, aber der Geldbetrag, den die Leute für die Kunst zu zahlen bereit sind, zeigt uns, wie weit die Technologie gegangen ist.
Unterstützung für iOS
Während wir bereits die Fähigkeiten von TenserFlow auf Android kennengelernt haben, fügt TensorFlow mit seiner neuesten Version Unterstützung für iOS-Geräte hinzu. Da es unzählige großartige mobile Apps gibt, die exklusiv für iOS verfügbar sind oder zuerst auf iOS veröffentlicht werden, können wir davon ausgehen, dass in naher Zukunft weitere großartige mobile Apps für das maschinelle Lernen zur Verfügung stehen. Dasselbe gilt für die Möglichkeiten einer breiteren Anwendung und Anwendung von TensorFlow.
Die Zukunft von TensorFlow
Was kann man mit einer Maschine anfangen, die lernen und selbst entscheiden kann? Als eine Person, die sich im Alltag mit mehr als einer Sprache beschäftigt, fällt mir als Erstes die Sprachübersetzung in den Sinn. Nicht in der wortwörtlichen Ebene, sondern eher in der längeren Textebene wie Dokumenten oder sogar Büchern. Die heutige Übersetzungstechnologie beschränkt sich auf die Vokabulare. Sie können leicht herausfinden, was auf Chinesisch „schläft“ und umgekehrt, aber versuchen Sie, ein Kapitel von Eiji Yoshikawas Musashi in seinem ursprünglichen Japanisch zu bringen und das Kapitel ins Englische zu übersetzen. Du wirst sehen, was ich bekomme.
Es macht auch Spaß zu sehen, was die Zukunft der künstlichen Intelligenz mit Musik machen kann. Auch wenn es noch sehr einfach ist, kann Apples Music Memo App Ihrem aufgenommenen Gesang bereits eine automatische Bass- und Trommel-Begleitung geben. Ich erinnere mich an eine Episode einer SciFi-Fernsehsendung, bei der eine Person in der Show eine Maschine erstellt hat, die alle Top-Songs in den Charts analysiert und eigene Hit-Songs schreiben kann. Werden wir jemals dort ankommen?
Zum Abschluss möchte ich Sunspring erwähnen. Es ist ein kurzer Science-Fiction-Film, der vollständig von einem KI-Drehbuchautor geschrieben wurde, der sich Benjamin nannte - der sogar das Pop-Song-Interlude komponierte. Der Film wurde von Regisseur Oscar Sharp für die 48-stündige Film Challenge of Sci-Fi London zusammengestellt.
Jetzt kann ich nicht aufhören, an den Terminator zu denken. Willkommen in der Zukunft.
Bildnachweis: Wikipedia, TechInsider, The Verge, Wall Street Journal
