Avec TensorFlow, Google open source ses ressources d'apprentissage machine

Google a annoncé hier TensorFlow, publiant ses recherches et sa mise à l'échelle interne réussie de l'apprentissage automatique en tant que projet open source sous une licence Apache 2.0. TensorFlow accélérera l'adoption de l'apprentissage automatique par les milliers d'équipes de développement de produits créatifs qui ne disposent pas des ressources de recherche à grande échelle de l'apprentissage automatique de Google.

Un bon exemple des implications de l'apprentissage automatique à travers les interactions des humains et des systèmes est la version bêta du pilote automatique de Tesla. Au fur et à mesure que les conducteurs interagissent avec le pilote automatique et le corrigent, les conducteurs ont signalé que le système de guidage s'améliorait automatiquement.

Google a investi dans des recherches avancées en apprentissage automatique, en appliquant les meilleurs talents de l'intelligence artificielle / apprentissage profond de Google au projet Google Brain, lancé par Andrew Ng et maintenant sous John Giannandrea en collaboration avec les meilleurs laboratoires universitaires, tels que Stanford et Carnegie Mellon, à améliorer les produits de Google.

Google

Les utilisateurs d'appareils mobiles ont accepté et s'attendent à une reconnaissance vocale précise, à une traduction linguistique, à une interprétation humaine des photos et des vidéos et à des résultats de recherche anticipés. Tout cela est le résultat de l'apprentissage automatique de Google, le produit de la recherche sur le réseau neuronal de Google, qui a fait la une des journaux lorsqu'il a appris à identifier les chats dans les vidéos non marquées. Au début, l'expérience peut sembler effrayante, mais finalement les gens acceptent simplement des systèmes qui anticipent les besoins et présentent des options dans le contexte des métaphores de «recommandation».

Le principe est simple: les machines programmées de la bonne manière peuvent apprendre des données (plus il y a de données, mieux c'est) et prendre des décisions à des vitesses sans précédent. Par exemple, les sens humains se sentent poussés à leurs limites lorsqu'ils conduisent à 70 miles par heure, mais à ces vitesses, le pilote automatique de Tesla peut détecter, calculer et prendre une décision en une fraction de temps. Lorsque des systèmes basés sur l'apprentissage automatique conçus avec succès rencontrent une interaction humaine, l'intelligence humaine est transférée et le système s'améliore.

En 2011, Google a créé DistBelief pour ses chercheurs en apprentissage automatique et en intelligence artificielle à utiliser dans la construction de réseaux neuronaux de plus en plus grands de milliers de cœurs qui ont appris de grands ensembles de données complexes pour effectuer des tâches complexes, comme reconnaître des images et interpréter un langage mal articulé. DistBelief a démontré que l'intelligence artificielle pouvait fonctionner à l'échelle du milliard d'utilisateurs de Google.

La création d'un système comme DistBelief pour une utilisation dans les limites de Google a été un succès interne, mais n'a pas pu être diffusée aux communautés d'apprentissage automatique indépendantes ou aux développeurs généraux indépendants. DistBelief était étroitement ciblé sur les réseaux de neurones, difficile à configurer et étroitement couplé à l'infrastructure interne de Google. Ce qui manquait, c'était l'engagement de la communauté du machine learning à apprendre les uns des autres à travers le partage de code et l'expérimentation dynamique, la façon dont les machines apprennent de l'interaction avec l'homme, améliorant récursivement le développement du machine learning grâce à l'interaction des développeurs.

Le système d'apprentissage automatique open source de deuxième génération de Google, TensorFlow, a été spécialement conçu pour corriger les lacunes de DistBelief. Google a conçu TensorFlow pour que les applications plus générales soient plus flexibles, portables et à la portée d'un plus grand nombre de développeurs. Conçu pour les applications de machine learning en production, il se veut rapide et évolutif. Dans certains cas, TensorFlow était deux fois plus rapide que DistBelief.

L'apprentissage en profondeur, l'apprentissage automatique et l'intelligence artificielle font partie des principales compétences de Google, où la société dirige Apple et Microsoft. En cas de succès, la stratégie de Google est de maintenir cette avance en mettant sa technologie au grand jour pour l'améliorer sur la base d'une adoption à grande échelle et des contributions de code de la communauté dans son ensemble..

Rejoignez les communautés Network World sur Facebook et LinkedIn pour commenter des sujets qui vous tiennent à cœur.