AI Workshop 实验

AI Workshop 让客户、合作伙伴、研究人员和开发者有机会试用最前沿的 AI 创新技术。我们的 AI 研究人员和工程师走在科学技术的最前沿，不断构思新概念、创造新技术并构建新应用，并且希望您试用这些成果。

进行中的实验

• 使用半监督式学习标注图片

  提交几张已标注图片（每类最少 5 张）和大量未标注图片（几十万张或更多），即可收到所有未标注图片的预测标签。

• 概念性图片说明

  这项实验利用 Google 最先进的多模态理解模型，可对图片进行概念性描述。某些应用要实现的场景十分需要对图片进行流畅、准确的自然语言描述，对图片的概念性描述就可以在这些应用中派上用场。

• 语义反应器

  从 Google 表格方便地直接使用最先进的自然语言理解 (NLU) 模型。编写回复，选择模型，选择排名方式，发送查询。可用于机器人制作、游戏和其他语义实验。

• 图表的半监督式学习

  这项实验采用一张包含小比例已标注实例（种子）的图表，并根据用户提供的相关项之间的相似度权重，将标签传播到所有未标注项。当客户有自己的数据图（或者可以很方便地生成数据图），但发现标注每个节点很昂贵或者很费时间的时候，这个实验就会特别有用。

• 自然语言的情感分类

  理解文本的情感内涵可以提供有关用户或内容的有价值洞察，在客户反馈、评价、客户服务和产品品牌塑造等领域尤其如此。这项实验将文本按喜悦、逗乐、感激、惊讶、反对、悲伤、愤怒、困惑等情绪进行分类。

• 利用语义特征增强数据

  通过这项实验，客户可以将稀疏的数据（如网址、查询或文本）转换为密集特征，这些特征在语义上是有意义的，易于调试且易于解释。客户提交一个包含稀疏特征和标签的数据集，我们会返回一个查找表，使用从相同的稀疏特征生成的语义特征来增强其他数据集。

• 生成专业的知识图谱

  知识图谱是有价值的工件，但为某一特定领域构建知识图谱的成本非常昂贵。本项目旨在提供一种自动化的方法，通过分析用户上传的文档语料库，生成实体/主题/概念的知识图谱。

• 学习有效的损失函数

  每当有人要训练一个机器学习模型时，就需要选取一个损失函数来最小化一组训练数据。这项实验提供了一种高效的、数据驱动的方法来学习有效的损失函数，可以在训练过程中学习，也可以根据完整的训练运行结果来学习（类似传统的超参数调优）。

• 联合学习咨询交流时间

  有一种称为联合学习的新兴机器学习方法，可以在分散的数据集上开展机器学习。这种方法在保护数据隐私的同时，还可以提高本地速度和性能。在这项实验中，您可以和 Google 的专家讨论您在联合学习方面的工作，包括使用开源的 TensorFlow Federated 库的情况。

• 汇总多个短文本

  通过这项实验，客户可以训练一个 Summarizer 模型，提取短文本（如餐厅评价）并输出所有这些文本的规范化摘要（比如一份该餐厅的评价摘要）。

• 差分隐私咨询交流时间

  机器学习模型可以记忆数据，但这可能会带来隐私方面的挑战。有些技术可以测量这种记忆方式，并以更具隐私性的方式训练模型。这项实验允许用户向 Google 专家咨询如何使用开源的 TensorFlow Privacy 库训练机器学习模型，使其具有差异化隐私。

• 计算视频中的离散动作

  通过这项实验，客户可以统计一个或多个视频片段中特定动作出现的次数。客户提供一个包含该动作完整周期的视频片段，以及一些该动作（可能）发生的（未标注）视频片段。针对每个片段，他们会收到一个该动作发生次数的计数。

• 视频标签传播器

  通过这项实验，客户只需标注一个视频中的帧，就可以同时标注相关的多个视频中的帧。我们的系统将标签从一个视频传播到所有其他视频。

• 图片的标签错误检测

  在这项实验中，客户提供他们的已标注训练图片，我们将针对其运行一系列质量检查工具，然后返回一个可能拥有错误标签的训练图片列表。

• 自然语言的语义相似性

  针对一段给定的文本，在候选文本名单中找到最相似或相关的文本项。这项实验建基于自然语言使用中的关联性，有助于根据意义和用法而非简单的关键词将项目联系在一起。

• 混合整数线性规划求解器

  求解混合整数线性规划问题，即给定一组约束条件的连续变量和整数变量的优化方程系统。Google 每天都在使用这个求解器来处理大规模和关键业务的优化挑战。它可应用于分配、调度、包装和流程问题。

• 具有置信度分数的图片分类

  当我们知道可以在多大程度上依赖某项预测时，AI 系统的作用就会大增。这项实验生成了一个 AI 模型，该模型不仅能返回预测类别，还能返回精准的预测置信度评分。

• 提供原型的可解释图片分类

  我们可以通过显示训练数据中最相似的项来更好地解释模型预测。客户提供他们的数据，我们则返回一个分类器，其中不仅能预测输出，还能提供相关示例（原型）来解释该决策。

• 针对图片分类的增强学习

  在数据不足和/或标签不完整或不完美的情况下，提高图片分类模型的性能。输入您的现有训练数据，即可获得两个 CNN 模型：一个仅用您的数据训练，另一个则用我们的增强学习技术训练。

• Turbo 图片过滤器

  这项实验利用 Google Vision API 和嵌入模型，过滤出包含目标对象的图片。潜在的应用包括加速数据标注过程，以及快速分类或归档图片。