O AI Workshop oferece aos parceiros, pesquisadores e desenvolvedores a oportunidade de testar essas inovações modernas de IA. Nossos pesquisadores e engenheiros de IA estão criando novos conceitos, técnicas e aplicativos nos limites da ciência e tecnologia e querem que você teste essas inovações.
Experimentos ativos
-
Rotulagem de imagens com o aprendizado semi-supervisionado
Envie algumas imagens rotuladas (no mínimo cinco por classe) e uma grande quantidade de imagens sem rótulos (centenas de milhares ou mais) e receba rótulos previstos para todas as imagens que não haviam sido marcadas.
-
Descrições conceituais de imagens
Esse experimento usa modelos de compreensão multimodais de última geração do Google para descrever imagens conceitualmente. Essas descrições podem ser usadas em aplicativos, além de serem úteis em cenários em que é importante ter a descrição de uma imagem em linguagem natural fluente e precisa.
-
Reator semântico
Use modelos inovadores de PLN com a comodidade do Planilhas Google. Escreva respostas, selecione um modelo, escolha um método de classificação e envie uma consulta. Eles são úteis para a criação de bots, jogos e outros experimentos semânticos.
-
Aprendizado semi-supervisionado com gráficos
Esse experimento coloca em um gráfico uma pequena porcentagem de instâncias (seeds) rotuladas e propaga os rótulos para todos os itens sem marcação, com base nas ponderações de similaridade fornecidas pelo usuário entre itens relacionados. Ele pode ser útil principalmente quando os clientes têm um gráfico de dados (ou podem facilmente gerar um), mas avaliam que rotular cada nó é caro ou demorado.
-
Classificação de emoções em linguagem natural
Entender o conteúdo emotivo do texto pode fornecer insights relevantes sobre os usuários ou o conteúdo, principalmente em áreas como feedbacks dos clientes, avaliações, suporte ao cliente e branding de produtos. Esse experimento classifica o texto de acordo com emoções como alegria, felicidade, gratidão, surpresa, reprovação, tristeza, raiva e confusão.
-
Aumento dos dados com recursos semânticos
Esse experimento permite que os clientes transformem dados esparsos (como URLs, consultas ou textos) em atributos densos que têm significado semântico e são de fácil depuração e interpretação. Envie um conjunto de dados com rótulos e atributos esparsos, e responderemos com uma tabela de consulta que pode ser usada para ampliar outros conjuntos de dados com recursos semânticos gerados com base nos mesmos atributos esparsos.
-
Como gerar Mapas de informações especializados
Os mapas de informações são artefatos relevantes, mas criar um para um domínio específico pode ser extremamente caro. Esse projeto tem o objetivo de oferecer um método automatizado para criar um mapa de informações de entidades/tópicos/conceitos pela análise de um corpus de documentos enviados pelo usuário.
-
Conhecimento das funções de perda efetivas
Sempre que alguém treina um modelo de machine learning, essa pessoa precisa escolher uma função de perda para reduzir ao máximo o conjunto de dados de treinamento. Esse experimento oferece uma forma eficiente e orientada por dados de conhecer a função de perda efetiva, tanto durante o treinamento quanto com base em resultados de execuções de treinamento completas, como em ajustes tradicionais de hiperparâmetros.
-
Horário de atendimento sobre o federated learning
Uma nova abordagem ao machine learning, chamada federated learning, possibilita usar o machine learning em conjuntos de dados descentralizados. Essa abordagem pode ajudar a proteger a privacidade dos dados e melhorar o desempenho e a velocidade locais. Esse experimento permite que você fale com especialistas do Google sobre seu trabalho com o federated learning, incluindo o uso da biblioteca TensorFlow Federated de código aberto.
-
Resumo de vários textos curtos
Esse experimento permite que os clientes treinem um resumidor, um modelo que ingere trechos curtos de texto (como avaliações de um restaurante) e gera um resumo canônico de todos os trechos (como uma avaliação resumida desse restaurante).
-
Horário de atendimento sobre privacidade diferencial
Modelos de machine learning são capazes de memorizar dados, que podem resultar em desafios de privacidade. No entanto, há técnicas para avaliar essa memorização e treinar modelos com maiores níveis de privacidade. Esse experimento permite aos usuários falar com especialistas do Google sobre como treinar modelos de machine learning para que tenham privacidade diferenciada, usando a biblioteca TensorFlow Privacy de código aberto.
-
Contagem de ações discretas em vídeos
Esse experimento permite que os clientes contem quantas vezes uma ação específica ocorre em um ou mais trechos de vídeo. Os clientes selecionam um trecho contendo um ciclo da ação, assim como trechos sem rótulos em que a ação pode ocorrer. Para cada trecho, eles recebem uma contagem do número de vezes que a ação ocorre.
-
Propagador de rótulos de vídeo
Com esse experimento, os clientes podem rotular cada frame em muitos vídeos relacionados ao rotular frames em um vídeo. Nosso sistema propaga os rótulos de um vídeo a todos os outros.
-
Detecção de erros de rótulos em imagens
Nesse experimento, os clientes selecionam imagens de treinamento rotuladas, e nós as executamos em diversas ferramentas de verificação de qualidade. Enviamos uma lista de imagens de treinamento que possivelmente contêm erros de rotulagem.
-
Similaridade semântica para linguagem natural
Para determinado trecho de texto, é possível identificar os itens de texto mais semelhantes ou relacionados em uma lista de candidatos. Criado com base nas correlações no uso de linguagem natural, esse experimento ajuda a conectar itens de acordo com o significado e uso em vez de palavras-chave simples.
-
Solucionador de programas lineares de números inteiros combinados
Ele resolve programas lineares de números inteiros combinados, que são sistemas de equações que otimizam variáveis contínuas e de números inteiros de acordo com um conjunto de restrições. O Google usa esse solucionador todos os dias para resolver desafios de otimização em larga escala e de grande importância para empresas. As aplicações incluem problemas de atribuição, programação, empacotamento e fluxo.
-
Classificação de imagens com pontuação de confiança
Os sistemas de IA são muito mais úteis quando sabemos em que grau podemos contar com eles em determinada previsão. Esse experimento gera um modelo de IA que retorna a classe prevista e uma pontuação de confiabilidade bem calibrada de previsão.
-
Classificação de imagens interpretáveis com protótipos
Podemos explicar melhor previsões de modelos ao analisar os itens mais semelhantes dos dados de treinamento. Os clientes compartilham os dados, e nós retornamos um classificador que não apenas prevê o resultado, mas também os exemplos relacionados (protótipos) que explicam a decisão.
-
Aprendizado aumentado na classificação de imagens
Melhore o desempenho do modelo de classificação de imagens em casos de dados insuficientes e/ou rótulos incompletos ou imperfeitos. Reúna seus dados de treinamento na forma original e receba acesso a dois modelos CNN: um treinado contendo apenas os seus dados e o outro com nossa técnica de aprendizado aumentado.
-
Filtro de imagens turbo
Esse experimento usa a API Google Vision e modelos incorporados para filtrar objetos de interesse usando imagens. Possíveis aplicações incluem a aceleração de processos de rotulagem de dados e a classificação ou o arquivamento rápido de imagens.