本文共 1446 字,大约阅读时间需要 4 分钟。
您可能会认为采用深度学习或机器学习(ML)技术意味着要聘请一批拥有博士学位的尖端数据科学家,但这根本不是事实。 创建新的深度学习模型和理论很困难,但是使用现有的流行的深度学习模型并不是火箭科学。 实际上,典型的IT工程师可以学习机器学习的基础知识,包括如何集成和使用著名的机器学习以及深度学习算法和技术来构建机器学习解决方案。 简而言之,可以训练公司的IT工程师成为ML工程师。
。 Aucnet是全球最大的实时拍卖服务提供商之一,每年处理400万次拍卖。 它的痛点之一是图像分类。 要进入一辆汽车进行拍卖,需要从各个角度上传20张带有 正视图 , 侧视图 , 轮胎 , 手柄 , 座椅等标签的照片。 每辆汽车最多需要20分钟才能完成这项耗时的工作。通过对其IT工程师进行ML基础方面的培训,Aucnet能够构建 (单击链接进行演示),这是一种实时的汽车图像识别系统,由Google的开源机器学习库 。
通过TensorFlow社区,Aucnet能够与ML专家联系起来,以帮助其寻求ML解决方案。 通过这种合作,Aucnet将其现有的IT工程人员转换为ML工程师,并为公司创造了宝贵的资产,从而使准备汽车拍卖清单所需的时间从20分钟减少到只有3分钟。借助Google的和Google Cloud服务的Konpeki技术,Aucnet可以应用云机器学习引擎将ML训练速度提高86倍。
“ ML民主化”的另一个例子来自日本汽车工业的前嵌入式系统设计师Makoto Koike。 大约一年前,他开始为父母的Cucumber农场提供帮助。 按大小,形状,颜色和其他属性对Cucumber进行分类所需的工作量使他震惊。 Makoto很快了解到,分拣Cucumber与实际种植Cucumber一样困难而棘手。 Makoto说:“每种Cucumber的颜色,形状,质量和新鲜度都不同。”
Makoto探索机器学习以对Cucumber进行分类的想法来自观看Google的AlphaGo与世界顶级专业围棋选手的竞争。 Makoto说:“当我看到Google的AlphaGo时,我意识到这里确实发生了严重的事情。这触发了我开始使用深度学习技术开发Cucumber分选机的触发器。”
电脑真的可以学习Cucumber分拣的艺术吗? Makoto开始考虑他是否可以使用TensorFlow使用深度学习技术进行排序。 Makoto说:“ Google只是开源TensorFlow,所以我开始用Cucumber图像进行尝试。这是我第一次尝试使用机器学习或深度学习技术,并且获得的准确度远高于我期望。这使我充满信心,它可以解决我的问题。”
Makoto使用了示例TensorFlow代码 ,对卷积,池化和最后一层进行了少量修改,更改了网络设计以适应Cucumber图像的像素格式和Cucumber类别的数量。
对那些故事感兴趣? 在9月12日 ,我将 ”会议上分享有关TensorFlow和AI的业务用例的更多信息。 请加入我们,以了解更多有关企业如何采用Google的AI技术来加速业务的信息。
翻译自:
转载地址:http://tynzd.baihongyu.com/