来自雷锋网(leiphone-sz)的报道
雷锋网按:在刚刚过去的 2018 Google I/O 开发者大会上,CEO Sundar Pichai 向大家演示了 Google Assistant 的新技能,这个 AI 助手可以帮主人给餐厅打电话定座位,发音酷似真人,可以像人一样闲聊,还会追问。自从三年前 Google 提出 AI first 的口号以来,其在 AI 领域的布局狂飙突进,收购了三十多家 AI 创业公司,同时,不仅在学术层面上对人工智能进行研究,也将研究成果投入实际应用。
据维基百科介绍,机器学习平台 TensorFlow 最初由 Google Brain 团队开发,用于 Google 的研究和生产,2015年11月9日,Google 宣布开源 TensorFlow,所有人都可以通过计算机和网络使用该平台。 Google 旗下的 50 多个产品,如语音识别、Gmail、Google 相册和搜索,都运用了 TensorFlow 深度学习系统。
雷锋网对基于 TensorFlow 开发的各种应用实例进行了盘点,以飨读者:
2016年9月 Google 发布了翻译技术的突破性研究:神经网络机器翻译系统(GNMT:Google Neural Machine Translation)。同年11月,这项技术正式被应用到 Google 翻译中,并支持包括英语和法语、德语、西班牙语、葡萄牙语、中文、日语、韩语、土耳其语八组语言的互译。不同语言间翻译的误差问题一直是机器翻译需要攻克的难点。TensorFlow 和 Tensor Processing Units (TPUs)为 Google 神经网络机器翻译模型特别打造硬件加速器,通过不再将句子中的词和短语独立翻译,而是对完整句子整体处理,将翻译误差降低了 55% ~ 85%。
GNMT 翻译原理
该系统借助最先进的机器学习技术,通过对整个句子进行整体翻译而非逐字翻译,大幅提高了 Google 翻译的精确度与流畅度。同时,Google 在其中还建立了端对端学习系统,这让整个翻译系统可以自行在翻译中进行学习和训练,并使翻译水平获得进一步提升。
GNMT 大幅提高机器翻译水平
除了这款视频智能 API,Google Cloud 机器学习已增加了一整套越来越多的 API:视觉(Vision)、视频智能(Video Intelligence)、口语(Speech)、自然语言(Natural Language)、翻译(Translation)和求职(Jobs)。这些 API 可让客户搭建能够看、听、理解非结构化数据的下一代应用程序,极大地扩大了机器学习在下一代产品推荐、医疗图像分析、欺诈监控等众多领域的使用范围。
Topher 在亚马逊地区的高耸树木群中安装监控设备
提示:中间靠下位置的银灰色小点就是一只海牛
Victor Anton 在 Google I/O 大会上展示这款应用
通过与印度和美国的医生密切合作,Google 创建了一个包含 12.8 万张眼底扫描图片的数据集,用于训练一个检测糖尿病性视网膜病变的深度神经网络。经训练后的模型可自动筛选疑似病变的眼底扫描图,其准确度甚至超过了专业医师的平均水平。高精度的糖尿病性视网膜病变自动化筛选法具有很大潜力,可以帮助医生提高诊断效率,使患者尽早得到治疗。同时,Google 仍在加强与视网膜研究领域的专科医生合作,以便确立更具参考价值的量化衡量标准,并且仍在探索如何将此研究成果与 DeepMind 的 OCT 研究进行结合,以便进一步协助医生们对糖尿病视网膜病变和其他眼部疾病进行诊断。
此图为一张眼部视力已经受到视网膜病变威胁的眼底图像,
机器学习的分析能够将此图中不仅限于眼部健康的信息提供给医生
在 Deepmind 与英国伦敦大学学院医学院的研究人员合作开展的一个项目中,机器学习参与到了治疗方案的设计过程中,协助医护人员细分癌变组织和健康组织。在机器学习的帮助下,细分过程由 4 小时左右缩短到 1 小时左右。提高了放射治疗的效率,同时解放了临床医生的时间,使他们能有更多时间投入到病人的护理、教育和研究工作当中。
头颈癌患者的 CT 扫描图
日本的食品公司 Kewpie 公司使用 TensorFlow 开发出一个工具,该工具可以从婴儿食品中所使用的切块土豆检测出有缺陷的部分,公司的主管Takeshi Ogino 介绍道:“人工智能以近乎完美的精准度挑选出有缺陷的食材,这对我们员工来说简直振奋人心"。
对土豆切片进行检测分类
研究人员使用这个模型在670颗恒星数据中寻找新行星,发现了2颗此前研究遗漏的行星
宾夕法尼亚州州立大学的博士研究生 Ari Silburt 和他的团队为了解开太阳系起源的秘密,需要把太阳系中的陨石坑做成地图,这样才能帮助他们找到太阳系中已存在的物质形成的位置和形成时间。而在过去,这一过程需要用人的双手来完成,既消耗时间又会受到主观影响,后来,他们利用 TensorFlow 用现存的月球照片训练了机器学习模型,使整个过程完全自动化,并且已经使其辨认出了超过 6 千个新的陨石坑。
左侧这张月球的照片,很难分辨出陨石坑分布在哪里;
而右侧这张图片,通过 TensorFlow, 我们可以清晰地看到陨石坑的分布
从以上案例可以看到人工智能是如何通过一些可能还未被大家察觉的方式影响我们的生活,以及世界各地的人们是如何利用人工智能构筑他们自己的科技,TensorFlow 在全球范围内驱动着科技的发展,期待能够看到更多更精彩的应用,期待科技带给我们更多美好与惊喜,雷锋网也将持续关注 AI 世界的一切,为大家带来最全面、最深度、最前沿的科技报道。
联系客服