Google ponuja brezplačne nabore metapodatkov z algoritmi za globoko učenje AI in algoritmi strojnega učenja za hitro in učinkovito klasifikacijo slik v TensorFlow in PyTorch

Google Pixel 5?

Google je objavil razpoložljivost več naborov podatkov obsega raznolike, a omejene naravne podobe. Iskalni velikan je prepričan, da bodo javno dostopni podatki pospeševali tempo Strojno učenje in umetna inteligenca hkrati pa zmanjša čas, potreben za urjenje modelov umetne inteligence na minimalni količini podatkov. Google novo pobudo imenuje 'Brezplačni nabori metapodatkov', ki bodo modelom umetne inteligence pomagali, da se 'učijo' na manj podatkih. Podjetje 'Few-Shot AI' je optimizirano tako, da se AI uči novih razredov le iz nekaj reprezentativnih slik.

Ker je Google razumel potrebo po hitrem usposabljanju modelov umetne inteligence in strojnega učenja z manj nabori podatkov, je Google uvedel „Meta-Dataset“, majhno zbirko slik, ki naj bi pomagala zmanjšati količino podatkov, potrebnih za izboljšanje natančnosti algoritmov. Družba trdi, da bodo modeli AI in ML z uporabo tehnik razvrščanja slik z nekaj posnetki dobili enak vpogled iz veliko manj reprezentativnih slik.

Google AI napoveduje Meta-nabor podatkov: Nabor podatkovnih nizov za učenje z nekaj posnetki:

Poglobljeno učenje za umetno inteligenco in strojno učenje že kar nekaj časa eksponentno raste. Ključna zahteva pa je razpoložljivost visokokakovostnih podatkov in to tudi v velikih količinah. Veliko količino ročno označenih podatkov o treningu je pogosto težko pridobiti, včasih pa so lahko tudi nezanesljivi. Google je zaradi razumevanja tveganj velikih naborov podatkov napovedal razpoložljivost zbirke metapodatkov.

Skozi “ Meta-nabor podatkov: nabor podatkovnih nizov za učenje učenja iz nekaj primerov «(Predstavljeno na ICLR 2020 ), Je Google predlagal obsežno in raznoliko merilo za merjenje usposobljenosti različnih modelov za razvrščanje slik v realističnem in zahtevnem okolju z nekaj posnetki, ki ponuja okvir, v katerem je mogoče raziskati več pomembnih vidikov razvrščanja po nekaj posnetkov. Google v bistvu ponuja 10 javno dostopnih in brezplačnih podatkovnih nizov naravnih slik. Ti nabori podatkov vključujejo ImageNet, CUB-200-2011, Fungi, ročno napisane znake in doodle. Koda je javnosti in vključuje a zvezek ki prikazuje, kako je mogoče Meta-Dataset uporabljati v TensorFlow in PyTorch .

Razvrstitev po nekaj posnetkih presega standardni modeli usposabljanja in globokega učenja . V času preizkusa je treba posplošiti povsem nove razrede. Z drugimi besedami, slike, uporabljene med testiranjem, niso bile vidne na treningu. V razvrstitvi nekaj posnetkov komplet za vadbo vsebuje razrede, ki so popolnoma ločeni od tistih, ki se bodo pojavili v času preizkusa. Vsaka preizkusna naloga vsebuje komplet za podporo nekaj etiketiranih slik, iz katerih se lahko model uči o novih razredih in disjuntinu nabor poizvedb primerov, ki jih nato model razvrsti.

Metapodatkovni niz je velika komponenta, pri kateri model preučuje posploševanje na povsem nove nabore podatkov , iz katerega na treningu ni bilo videti nobene slike nobenega razreda. To je poleg težkega posploševalnega izziva za nove razrede, ki je neločljivo povezan z nastavitvami učenja z nekaj streli.

Kako Metapodatki pomagajo poglobljenemu učenju modelov AI in strojnega učenja?

Meta-Dataset predstavlja doslej največje organizirano merilo za klasifikacijo slik z več nabori podatkov. Prav tako uvaja algoritem vzorčenja za generiranje nalog z različnimi značilnostmi in zahtevnostjo, s spreminjanjem števila razredov v vsaki nalogi, števila razpoložljivih primerov na razred, uvajanja neravnovesij razredov in za nekatere nabore podatkov različno stopnjo podobnosti med razrede vsake naloge.

Meta-Dataset predstavlja nove izzive za razvrstitev po nekaj posnetkih. Googlove raziskave so še vedno predhodne in obstaja veliko podlag. Vendar pa je iskalni velikan trdil, da raziskovalci doživljajo uspeh. Nekateri pomembni primeri vključujejo uporabo pametno zasnovanih naloga kondicioniranje , bolj prefinjeno uglaševanje hiperparametrov , do meta-izhodišče “, Ki združuje prednosti predhodnega usposabljanja in meta-učenja ter končne uporabe izbira lastnosti specializirati univerzalno predstavitev za vsako nalogo.