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，但这根本不是真的。创建新的深度学习模型和理论很难，但使用现有的、流行的深度学习模型并非难如登天。事实上，一名典型的 IT 工程师可以学习 ML 的基础知识，包括如何集成和使用知名的 ML 和深度学习算法及技术，来构建 ML 解决方案。简而言之，公司的 IT 工程师可以被培训成为 ML 工程师。
一家完全这样做的公司是日本汽车拍卖服务公司 Aucnet。Aucnet 是世界上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。将一辆汽车送去拍卖需要上传 20 张来自不同角度的照片，并带有诸如正面图、侧面图、轮胎、把手、座椅等等的标签。这项耗时的任务每辆车可能需要长达 20 分钟。
opensource.com
通过对其 IT 工程师进行 ML 基础知识培训，Aucnet 能够构建 Konpeki（点击链接尝试演示），这是一个由 Google 的开源机器学习库 TensorFlow 驱动的实时汽车图像识别系统。
通过 TensorFlow 社区，Aucnet 能够与 ML 专家联系，以帮助其追求 ML 解决方案。这种合作使 Aucnet 能够将其现有的 IT 工程队伍转变为 ML 工程师，并为公司创造了一项宝贵的资产，这项资产将准备汽车拍卖清单的时间从 20 分钟缩短到仅 3 分钟。此外，通过将 Konpeki 技术与 Google 的 ML API 和 Google Cloud 服务集成，Aucnet 可以应用 Cloud Machine Learning Engine 将 ML 训练速度提高 86 倍。
用于黄瓜分拣的机器学习
“ML 民主化”的另一个例子来自日本汽车行业的前嵌入式系统设计师 Makoto Koike。大约一年前，他开始在他父母的黄瓜农场帮忙。他对按大小、形状、颜色和其他属性对黄瓜进行分类所需的工作量感到震惊。Makoto 很快了解到，分类黄瓜与实际种植黄瓜一样困难和棘手。Makoto 说：“每根黄瓜都有不同的颜色、形状、质量和新鲜度。”
opensource.com
Makoto 探索机器学习用于黄瓜分拣的想法来自于观看 Google 的 AlphaGo 与世界顶级围棋职业选手比赛。“当我看到 Google 的 AlphaGo 时，我意识到这里正在发生一些非常重要的事情，”Makoto 说。“那是促使我开始使用深度学习技术开发黄瓜分拣机的触发器。”
计算机真的能学会黄瓜分拣的艺术吗？Makoto 开始尝试看看是否可以使用深度学习技术通过 TensorFlow 进行分拣。“Google 刚刚开源了 TensorFlow，所以我开始用我黄瓜的图像进行尝试，”Makoto 说。“这是我第一次尝试机器学习或深度学习技术，并且我立刻获得了比我预期的更高的准确率。这让我有信心它能解决我的问题。”
opensource.com
Makoto 使用了 TensorFlow 示例代码 Deep MNIST for Experts，并对卷积层、池化层和最后一层进行了少量修改，更改了网络设计以适应黄瓜图像的像素格式和黄瓜类别的数量。
对这些故事感兴趣吗？9 月 12 日在 北美开源峰会 上，我将在会议“TensorFlow 在野外：从黄瓜农民到全球保险公司”期间分享更多关于 TensorFlow 和 AI 的商业用例。请加入我们，了解更多关于企业如何采用 Google 的 AI 技术来加速业务的信息。
3 条评论