Microsoft продължава стремежа си да внесе машина учене на всяко приложение

„MicrosoftУвеличи

SEATTLE – Проследяваме работата на Microsoft за нейното въвеждане платформа за машинно обучение на повече разработчици и повече приложения през последните няколко години. Какво започна като тясно фокусирано, специализираните услуги са прераснали в по-широк спектър от функции, които са по-способни и по-гъвкави, като същевременно са и повече достъпна за разработчици, които не са експерти в областта на машинно обучение.

Тази година не се различава. Основното семейство на API-тата обхваща същото основание, което има за известно време – разпознаване на език, превод и разпознаване на изображения и видео – с Microsoft стъпки, за да направят услугите по-способни и по-лесни за интегриране в приложения.

Тази година фокусът на компанията е върху две основни области: персонализиране и разгръщане на ръба. Цялото машинно обучение услугите функционират като цяло по един и същи начин, с две отделни фази. Първата фаза е изграждането на модел: набор от тестови данни (за например текст на един език и преводът му на друг език или снимки на животни, заедно с информация за кои животно те са) се използва за обучение на невронни мрежи за изграждане на модел. Втората фаза използва модела: нови данни (да речем, непреведен текст или изображение на неизвестно животно) се подава в полето модел и изход се произвежда според невронните мрежи научени (преводът или вида на снимката на животни).

Услугите на Microsoft се предлагат с предварително изградени модели. Най- персонализирането им позволява да се разширяват, като ги обучават на специфични за бизнеса данни. Например услугата за превод може да бъде разширен с персонализирани преводи за конкретни фрази и жаргон, които са важни за конкретна индустрия и трябва да бъдат преведени по определен начин; разпознаването на реч може да бъде персонализирано за конкретни акценти и речник; текст за реч може да използва a персонализиран акустичен модел за промяна на звука на гласа произведени.

Персонализирането работи по същия начин като оригинала обучение и изграждане на модели: разработчиците ще обучават системата, използвайки собствен корпус от тестови данни, основаващ се на съществуващите модели.

Двете фази на системите за машинно обучение имат различни изчисляване на изискванията. Първоначалното обучение и изграждане на модели е изключително интензивно изчисляване, често ускорено с графични процесори или дори специализирани процесори за машинно обучение. Използвайки модела, от контраст, е сравнително лек. Това не означава, че е така тривиално – прави сложно разпознаване на изображение при видео за движение, за например, вероятно ще изисква ускорение на графичния процесор, но натоварването може бъдете достатъчно малки, че има смисъл да ги стартирате на клиента системи.

Тук идва фокусът на Microsoft върху крайното внедряване. Моделите могат да бъдат внедрени например в Windows Machine Learning или по време на изпълнение на Azure IOT Edge, което позволява тези задачи да бъдат преместени на телефони, компютри и вградени устройства. Това намалява латентност, позволява прекъсване на работата (например изпълнение разпознаване на изображение в дрон или индустриална система, която не е свързана с мрежа), и намалява изчислените ресурси (и следователно месечните сметки за облачни компютри), които имат разработчиците.

Услугата Vision ще бъде първата, която поддържа този ръб внедряване. Самите модели използват ONNX, формат, разработен от Уеб услуги на Microsoft, Facebook и Amazon и поддържани от Nvidia, Qualcomm, Intel и AMD.

Microsoft добавя и нови услуги. Има прогноза услуга, която ще прави прогнози, персонализирана услуга за търсене, която ще се опита да установи връзки и препратки в рамките на набор от данни и визуално търсене с Bing за извличане на изображения на обекти, подобни на изображение за търсене.

Компанията също продължава да инвестира в ботове, които са създаване на ниша за себе си в сценарии за тип клиент. Flo бота на Progressive Insurance във Facebook Messenger, например, може да се справи, от край до край, целия процес на продажба на застраховка политики и компаниите използват ботове вътрешно, за да правят такива неща като подобрим интерфейса на HR-системите за самообслужване. Microsoftпоказа интелигентна демонстрация на бот безпроблемно боравене с различни езици, с контекстуален разговор (позволяващ въпроси, които обърнете се към предишни отговори) и интеграция с уебсайта хостинг на бота, така че разговорът с бот може да отиде до различни страници или извършване на търсене.

Новите услуги за ботове включват обучаващ се разговор (което позволява рамката на бота, за да научите моделите на разговори от съществуващи преписи), проект, който да даде на ботовете повече индивидуалност, и общата наличност на производителя на Q-и-A (инструмент за изграждане на ботове за въпроси и отговори без код).

Активиране на нови видове приложения

Машинното обучение и изкуственият интелект станаха основни модни думи в компютърната индустрия, пораждащи много цинизъм към двете. Голяма част от този цинизъм вероятно е оправдан, но Microsoft вярва, че тези функции ще станат общи за почти всички приложения и услуги, които използваме.

Машинното обучение също дава възможност на приложения, които просто не би било практично преди. Пример е Ирис, компания с мисията за прекратяване на предотвратимата слепота. Диабетна ретинопатия е усложнение на диабета, при което централната част на ретината се уврежда, причинявайки загуба в центъра на полето на визия. Само с милиони диабетици в САЩ, това е а важен въпрос.

Откриването и диагностицирането на ретинопатия изисква а офталмолог. Системата на Iris позволява на доставчиците на първична помощ да анализирайте снимки на ретините и осигурете първо-преглед на ретината. Той има система за машинно обучение за разпознаване на изображения който анализира изображенията по три начина: откриване дали изображението е ляво или дясно око, определяне на качеството на снимката достатъчно добър за по-нататъшен анализ и, накрая, за откриване дали има признаци на ретинопатия или не. Лекар може да вземе а снимка на ретината и в рамките на 37 секунди познайте с високо увереност (около 97 до 99 процента) дали пациентът трябва да бъде насочени към офталмолог или не.

Предоставяне на такава услуга на потенциално всеки лекар в САЩ или дори отвъд това би било невъзможно: Ирис ще се нуждае от огромна брой обучени офталмолози, които да пресеят снимките. Но с машинно обучение, тежкото повдигане може да се извърши от a компютър.

Подобренията в машинното обучение също допринесоха за развитието на услугата по-добре: в първите дни компанията каза, че ще отделете седмица, за да обучите модел, използвайки 5000 тестови изображения. Това означаваше че обратът по време на развитието е бил бавен. Сега, с възхода на ускорение на графичния процесор, модел може да бъде обучен, използвайки 10 000 изображения в само два дни. Тъй като подобен вид ускорение се подобрява, възможности и точност на системи като тази ще получите само По-добре.

Like this post? Please share to your friends:
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: