AI Workshop offre a clienti, partner, ricercatori e sviluppatori l'opportunità di sperimentare con innovazioni AI all'avanguardia. I nostri ingegneri e ricercatori AI stanno creando applicazioni, tecniche e concetti nuovi nei settori più avanzati della scienza e della tecnologia e ti invitano a provarli.
Esperimenti in corso
-
Labeling Images with Semi-supervised Learning
Invia alcune immagini etichettate (anche solo cinque per classe) e un numero elevato di immagini non etichettate (anche centinaia di migliaia, o più) per ricevere le etichette previste per tutte le immagini che non ne avevano.
-
Conceptual Image Descriptions
Questo esperimento sfrutta gli avanzati modelli di comprensione multimodale di Google per creare descrizioni concettuali delle immagini. Le descrizioni possono essere utilizzate per applicazioni che permettono di realizzare scenari in cui è importante una descrizione fluente e accurata di un'immagine in linguaggio naturale.
-
Semantic Reactor
Sfrutta modelli NLU all'avanguardia dalla comoda interfaccia di Fogli Google. Scrivi le risposte, seleziona un modello, seleziona un metodo per il ranking e invia una query. Utile per la creazione di bot, giochi e altri esperimenti semantici.
-
Semi-Supervised Learning with Graphs
Questo esperimento parte da un grafico con una ridotta percentuale di istanze etichettate (seed) e propaga le etichette a tutti gli elementi che ne sono privi in base alla ponderazione della somiglianza tra elementi correlati fornita dall'utente. Può essere particolarmente utile quando i clienti hanno un grafico dei loro dati, o possono generarne uno con facilità, ma trovano che l'etichettatura di ciascun nodo sia costosa o richieda troppo tempo.
-
Natural Language Emotion Classification
La comprensione del contenuto emotivo di un testo può offrire preziosi insight sugli utenti o sul contenuto, soprattutto in aree come il feedback dei clienti, le recensioni, l'assistenza clienti e il branding dei prodotti. Questo esperimento classifica il testo in base a emozioni come gioia, divertimento, gratitudine, sorpresa, disapprovazione, tristezza, rabbia e confusione.
-
Augmenting Data with Semantic Features
Con questo esperimento, i clienti possono convertire dati sparsi, come URL, query o testi, in elementi densi e semanticamente significativi, facilitando il debug e l'interpretazione. Invia un set di dati con elementi sparsi ed etichette e ti restituiremo una tabella di ricerca utilizzabile per potenziare altri set di dati con elementi semantici generati dagli stessi elementi sparsi.
-
Generating Specialized Knowledge Graphs
I Knowledge Graph sono artefatti preziosi, ma costruirne uno per un particolare dominio può avere costi proibitivi. Questo progetto ha l'obiettivo di fornire un mezzo automatizzato per produrre un Knowledge Graph di entità/argomenti/concetti in modo semplice mediante l'analisi di un corpus di documenti caricati dall'utente.
-
Learning Effective Loss Functions
Per l'addestramento di un modello di machine learning, è sempre necessario scegliere una funzione di perdita da minimizzare su un set di dati di addestramento. Questo esperimento fornisce un mezzo efficiente e orientato ai dati per l'apprendimento di una funzione di perdita efficace durante l'addestramento oppure in base ai risultati degli addestramenti già completati, come nella tradizionale ottimizzazione degli iperparametri.
-
Federated Learning Office Hours
Un approccio emergente al machine learning, detto apprendimento federato, consente di eseguire il machine learning su set di dati decentralizzati. Questo approccio può contribuire a proteggere la privacy dei dati, migliorando al contempo velocità e prestazioni a livello locale. Questo esperimento ti consente di parlare con esperti di Google del tuo lavoro nell'apprendimento federato, compreso l'utilizzo della libreria open source TensorFlow Federated.
-
Summarizing Multiple Short Texts
Questo esperimento consente ai clienti di addestrare un Summarizer: un modello che importa testi brevi, come recensioni di ristoranti, e produce un riepilogo canonico di tutti i testi, ad esempio una singola recensione riepilogativa del ristorante in questione.
-
Differential Privacy Office Hours
I modelli di machine learning sono in grado di memorizzare dati e questo può comportare sfide per la tutela della privacy. Esistono però delle tecniche per misurare tale memorizzazione e addestrare i modelli con livelli di privacy superiori. Questo esperimento consente agli utenti di consultare gli esperti di Google per sapere come addestrare i modelli di machine learning in modo da ottenere una privacy differenziata utilizzando la libreria open source TensorFlow Privacy.
-
Counting Discrete Actions in Videos
Con questo esperimento, i clienti possono contare quante volte viene eseguita una specifica azione in uno o più video clip. I clienti presentano un video clip con un ciclo dell'azione, oltre a clip (non etichettati) in cui l'azione viene eseguita o potrebbe venire eseguita. Per ogni clip ricevono un conteggio del numero di volte in cui viene eseguita l'azione.
-
Video Label Propagator
Con questo esperimento, i clienti possono etichettare ogni fotogramma in molti video correlati applicando le etichette ai fotogrammi di un solo video. Il nostro sistema propaga le etichette da un video a tutti gli altri.
-
Label Error Detection for Images
Con questo esperimento, i clienti forniscono le immagini di addestramento etichettate e noi le sottoponiamo a una serie di strumenti di controllo della qualità. Restituiamo quindi un elenco di immagini di addestramento con potenziali errori di etichettatura.
-
Semantic Similarity for Natural Language
Per un dato testo, trova gli elementi di testo più simili o correlati tra un elenco di candidati. Questo esperimento, realizzato a partire da correlazioni nell'uso del linguaggio naturale, aiuta a collegare elementi in base al significato e all'utilizzo anziché alle semplici parole chiave.
-
Mixed Integer Linear Program Solver
Risolve programmi lineari interi misti, sistemi di equazioni che ottimizzano le variabili continue e intere dato un insieme di vincoli. Google utilizza questo risolutore quotidianamente per affrontare sfide di ottimizzazione business-critical e su larga scala. Tra le applicazioni rientrano problemi di assegnazione, pianificazione, impacchettamento e flusso.
-
Image Classification with Confidence Scores
I sistemi di AI possono essere molto più utili quando è noto il grado di affidabilità di una data previsione. Questo esperimento genera un modello di AI che restituisce sia la classe prevista che un punteggio di affidabilità della previsione adeguatamente calibrato.
-
Interpretable Image Classification with Prototypes
Facendo emergere gli elementi più simili dai dati di addestramento siamo in grado di spiegare meglio le previsioni del modello. I clienti forniscono i dati, noi restituiamo un classificatore che, oltre all'output, prevede anche esempi (prototipi) correlati che spiegano la decisione.
-
Augmented Learning for Image Classification
Migliora le prestazioni del modello di classificazione delle immagini in caso di dati insufficienti e/o etichette incomplete o imperfette. Fornisci i tuoi dati di addestramento così come sono e ricevi accesso a due modelli CNN: uno addestrato solo con i tuoi dati, il secondo con la nostra tecnica di apprendimento dei dati aumentati.
-
Turbo Image Filter
Questo esperimento sfrutta l'API Google Vision e i modelli di rappresentazioni distribuite per filtrare immagini e oggetti di interesse. Tra le potenziali applicazioni rientrano l'accelerazione del processo di etichettatura dei dati e la sostanziale riduzione dei tempi di ordinamento o archiviazione delle immagini.