AI Workshop ofrece a los clientes, socios, investigadores y desarrolladores la oportunidad de experimentar con innovaciones de IA de vanguardia. Nuestros investigadores y nuestros ingenieros de IA están compilando nuevos conceptos, técnicas y aplicaciones basados en los últimos avances de la ciencia y la tecnología, y desean que tú los pruebes.
Experimentos en vivo
-
Etiqueta imágenes con aprendizaje semisupervisado
Envía unas pocas imágenes etiquetadas (mínimo 5 imágenes por clase) y una gran cantidad de imágenes sin etiquetar (cientos de miles o más), y obtén etiquetas de predicción para todas las imágenes sin etiquetar.
-
Descripciones conceptuales de imágenes
En este experimento, se aprovechan los modelos de comprensión multimodal de vanguardia de Google para describir conceptualmente las imágenes. Estas descripciones se pueden usar para las aplicaciones que habilitan situaciones en las que la descripción de una imagen en un lenguaje natural fluido y exacto es importante.
-
Reactor semántico
Usa los modelos de CLN de vanguardia desde la comodidad de las Hojas de cálculo de Google. Escribe respuestas, selecciona un modelo y un método de clasificación, y envía una consulta. Es útil para la creación de bots, los juegos y otros experimentos semánticos.
-
Aprendizaje semisupervisado con grafos
En este experimento, se toma un grafo con un pequeño porcentaje de instancias etiquetadas (elementos iniciales) y se propagan las etiquetas a todos los elementos no etiquetados, sobre la base de las ponderaciones de similitud entre elementos relacionados proporcionadas por el usuario. Esto puede ser especialmente útil cuando los clientes tienen un grafo de sus datos (o pueden generarlo con facilidad), pero les resulta costoso o tedioso etiquetar cada nodo.
-
Clasificación de emociones en lenguaje natural
La comprensión del contenido emocional del texto puede proporcionar estadísticas valiosas de los usuarios o el contenido, especialmente en áreas como comentarios del cliente, opiniones, asistencia al cliente y desarrollo de la marca de productos. En este experimento, se clasifica el texto por emociones como alegría, diversión, gratitud, sorpresa, rechazo, tristeza, enojo y confusión.
-
Mejora los datos con atributos semánticos
Con este experimento, los clientes pueden convertir datos dispersos (como URL, consultas o textos) en atributos densos que son semánticamente significativos y fáciles de interpretar y depurar. Envía un conjunto de datos con etiquetas y atributos dispersos, y te mostraremos una tabla de consulta que se puede usar para aumentar otros conjuntos de datos con características semánticas generadas a partir de los mismos atributos dispersos.
-
Genera gráficos de conocimiento especializados
Los gráficos de conocimiento son artefactos valiosos, pero la construcción de uno para un dominio en particular puede tener un costo prohibitivo. El objetivo de este proyecto es proporcionar un medio automatizado para producir un gráfico de conocimiento de entidades, temas o conceptos con solo el análisis de un corpus de documentos subido por el usuario.
-
Aprende funciones de pérdida eficaces
Cada vez que una persona entrena un modelo de aprendizaje automático, debe seleccionar una función de pérdida para minimizar en un conjunto de datos de entrenamiento. En este experimento, se proporciona una forma eficiente y basada en datos para el aprendizaje de una función de pérdida eficaz, ya sea sobre la marcha durante el entrenamiento o basada en los resultados de las ejecuciones de entrenamiento completas (como en el ajuste de hiperparámetros tradicional).
-
Horarios de consulta de aprendizaje federado
Con un nuevo enfoque para el aprendizaje automático, llamado aprendizaje federado, se habilita el aprendizaje automático en conjuntos de datos descentralizados. Mediante este enfoque, puedes proteger la privacidad de los datos, a la vez que también mejoras la velocidad y el rendimiento a nivel local. Mediante este experimento, puedes hablar con los expertos de Google sobre tu trabajo en aprendizaje federado, incluido el uso de la biblioteca de código abierto TensorFlow Federated.
-
Resume varios textos cortos
Con este experimento, los clientes pueden entrenar un generador de resumen, es decir, un modelo que transfiere textos cortos (como opiniones sobre un restaurante) y genera un resumen canónico de todos esos textos (como una única opinión resumida del restaurante).
-
Horarios de consulta de privacidad diferencial
Con los modelos de aprendizaje automático se pueden memorizar datos, lo que genera desafíos relacionados con la privacidad. Sin embargo, existen técnicas para medir esta memorización y entrenar modelos con mayores niveles de privacidad. Con este experimento, los usuarios pueden consultar a los expertos de Google acerca de cómo entrenar modelos de aprendizaje automático para que tengan una privacidad diferencial mediante la biblioteca de código abierto TensorFlow Privacy.
-
Cuenta acciones discretas en video
Con este experimento, los clientes pueden contar cuántas veces ocurre una acción específica en uno o más clips de video. Los clientes proporcionan un clip de video con un ciclo de acción, así como clips (sin etiquetar) en los que esta acción ocurre o podría ocurrir. Por cada clip, el cliente recibe un recuento de la cantidad de veces que ocurre la acción.
-
Propagador de etiquetas de video
Con este experimento, los clientes pueden etiquetar cada fotograma en muchos videos relacionados con solo etiquetar los fotogramas en un video. Con nuestro sistema, las etiquetas se propagan de un video a todos los demás videos.
-
Detección de error de etiqueta para imágenes
Con este experimento, los clientes proporcionan sus imágenes de entrenamiento etiquetadas, y nosotros las ejecutamos a través de una serie de herramientas de control de calidad. Le mostramos al cliente una lista de imágenes de entrenamiento con potenciales errores de etiquetado.
-
Similitud semántica para Natural Language
Para un texto determinado, encuentra los textos más similares o relacionados entre una lista de candidatos. Con este experimento, compilado a partir de correlaciones en el uso del lenguaje natural, puedes conectar elementos sobre la base del significado y el uso en lugar de palabras clave simples.
-
Servicio de resolución de programas lineales de números enteros mixtos
Con este experimento, el cliente puede resolver programas lineales de números enteros mixtos, que son sistemas de ecuaciones que optimizan las variables continuas y de números enteros a partir de un conjunto de restricciones. Google usa este servicio de resolución todos los días para los desafíos de optimización a gran escala fundamentales de la empresa. Las aplicaciones incluyen problemas de asignación, programación, empaque y flujo.
-
Clasificación de imágenes con puntuaciones de confianza
Los sistemas de IA pueden ser mucho más útiles cuando sabemos cuánto podemos confiar en una predicción determinada. Con este experimento, se genera un modelo de IA que muestra tanto la clase de predicción como una puntuación de confianza correctamente calibrada de la predicción.
-
Clasificación de imágenes interpretables con prototipos
Podemos explicar mejor las predicciones de modelo mediante la presentación de los elementos más similares desde los datos de entrenamiento. Los clientes proporcionan sus datos, y nosotros les mostramos un clasificador que no solo predice el resultado, sino también ejemplos relacionados (prototipos) que explican la decisión.
-
Aprendizaje aumentado para clasificación de imágenes
Mejora el rendimiento de los modelos de clasificación de imágenes en los casos de datos insuficientes o etiquetas incompletas o imperfectas. Proporciónanos tus datos de entrenamiento como estén y obtén acceso a dos modelos de CNN: uno entrenado solo con tus datos y otro con nuestra técnica de aumento de aprendizaje.
-
Filtro turbo de imágenes
En este experimento, se aprovechan la API de Google Vision y los modelos de incorporación para filtrar imágenes de objetos de interés. Las aplicaciones potenciales incluyen la aceleración del proceso de etiquetado de datos y el ordenamiento o archivado rápidos de imágenes.