http://www.ithome.com.tw/news/106042 Google分散式硬體工程師Norm Jouppi指出，機器學習是許多Google應用的基礎，從街景服務、Google Inbox智慧回覆到語音搜尋，目前已有超過100個Google團隊使用機器學習技術，然而，好的軟體必須搭配好的硬體，因此Google在多年前便著手展開秘密專案，自行打造適用於機器學習的客製化加速器。 值得注意的是文中提到有超過100個Google團隊正在使用Tensorflow相關的技術，Google內部往往是新時代技術的早期採用者（從Cloud Computing, Big Table等例子可以看出），相信未來這100個團隊會轉化成100甚至更多的機器學習需求，分佈在各大公司內部或是無數個新創公司中，相信這是個不可逆的趨勢，未來需求會如此龐大，另外Google內部已經開始使用TPU作為Tensorflow服務的背後運算單元，代表有這些軟體需求的公司會更需要用TPU或是未來出現的技術來進行巨量的機器學習運算。 補充：http://www.ithome.com.tw/news/105099 Google從2012年初開始在內部專案中使用機器學習技術，2014年擁抱機器學習的專案量更快速成長，至今超過1,500個內部專案採用，除了AlphaGo以外，還有地圖服務、相片服務、Gmail、語音辨識、Android、YouTube、翻譯、機器人研究、自然語言研究、醫藥研發等專案。 https://read01.com/xOzPEz.html 谷歌需要利用深度學習技術的產品/領域： 安卓，Apps，藥物發現，谷歌郵箱，圖像理解，地圖，自然語言，圖片，機器人，語音翻譯，等等。 深度學習能應用於如此完全不同的項目的原因是他們涉及相同的基石，這些基石可用於不同的領域：語音、文本、搜索查詢、圖像、視頻、標籤、實體(一種特定的軟體模塊)、文字、音頻特性。
Tag Archives: machine learning
[翻譯] 觀察how-old.net即時脈動
這兩天 How-Old.Net 爆紅，人人都把照片上傳分享，再分享趣味的同時，我們也來瞭解後面怎麼運作。 這篇文章說明了 How-Old.Net 背後運用了什麼技術，以及如何將使用者資料即時統計呈現。 全文開始 我們在 Microsoft’s Build 2015 開發者大會上呈現了一個簡單的範例。欲讓開發者瞭解怎麼使用 Azure 服務能夠簡易且快速的完成智慧型應用。藉由最近釋出的 Face detection API 我們建立了 how-old.net 。這網頁讓使用者上傳照片，預測照片中出現的人臉年齡以及性別。雖然人臉判別以及性別判斷有一定成效，年齡預測較為不準，使用者仍然喜愛這樣的服務。我們將網頁寄到了微軟群組的幾百人，讓他們試用且給我們一些回饋，樂觀的希望能夠有幾十個使用者願意使用幫助我們產生一些有用資料。 幾小時內，超過21萬張圖片已經上傳，而且全世界已經有三萬五千人使用過這服務（大約29k來自土耳其，看起來那邊有許多 Tweets 在討論這項服務） 這個 demo 即時反映了人們怎麼使用這項工具。舉例來說，我們假設人們大多會上傳預先準備的圖檔或是來自 Bing Search 的照片。然而，一半的照片卻來自使用者自己的上傳照片。這樣的分析推動我們去改進使用者經驗，且針對移動裝置多做圖片上傳的測試。 背後的魔法是什麼？ 聽起來可能令人難以置信，這個專案只花了一些開發人員一天把元件組裝起來，含網頁以及背後的機器學習 API ，即時串流分析還有商業智慧呈現。是一個非常好的範例去呈現 Azure 開發人員的敏捷創造能力。關鍵元件主要有三： 抽取性別及年齡 得到即時的分析 建立即時的儀表板呈現結果 抽取性別及年齡 我們想創造一個有趣且帶有智慧的使用者體驗，所以瞭解了 Azure Machine Learning Gallery 提供的API。有 Face, Speech, Vision 等API，是由 Project Oxford 所提供。Face API demo page …