AI Workshop 實驗

AI Workshop 可以為客戶、合作夥伴、研究人員和開發人員提供以先進 AI 創新技術進行實驗的機會。我們的 AI 研究人員與工程師站在科學與技術領域的最前端，努力建構嶄新的概念、技術與應用程式，並希望您能夠加以試用。

已上線的實驗

• 以半監督式學習技術為圖片加上標籤

  只要提交少量已加上標籤的圖片 (每個類別至少 5 張) 和大量未加上標籤的圖片 (例如數十萬張或更多)，所有未加上標籤的圖片即可取得預測標籤。

• 概念性圖片描述

  這項實驗會運用 Google 最先進的多模型理解模型，以概念性的方式描述圖片。如果您的應用程式需要「以自然語言流暢又準確地描述圖片」的功能，這些描述就會相當實用。

• 語意反映工具

  輕鬆透過 Google 試算表使用先進的自然語言理解模型。您可以撰寫回應、選取模型和排序方法，以及傳送查詢。適合用於建構機器人、遊戲和其他語意實驗。

• 以半監督式學習技術處理圖表

  這項實驗會運用已加上標籤的少量例項 (種子) 來處理圖表，並依據使用者提供的相關項目相似度權重，為所有未加上標籤的項目加上標籤。如果客戶擁有資料圖表或是可以輕鬆產生圖表，卻認為要為各個節點加上標籤過於耗時或昂貴，這項實驗就會非常實用。

• 自然語言情緒分類

  解讀帶有情緒的文字內容，藉此提供與使用者或內容有關的實用深入分析結果。以客戶意見回饋、評論、客戶服務和產品品牌宣傳等領域來說，這項實驗的成效尤其卓越。這項實驗會依據情緒將文字分類，像是高興、歡樂、感謝、驚喜、不認同、悲傷、憤怒和困惑等情緒。

• 使用語意特徵擴增資料

  透過這項實驗，客戶可以將稀疏的資料 (例如網址、查詢或文字) 轉換為具備實質語意、可以輕易偵錯及解讀的稠密特徵。您只需要提交含有稀疏特徵和標籤的資料集，我們就會提供對照表給您。接著，您可以使用這個對照表，以相同稀疏特徵產生的語意特徵補充其他資料集。

• 產生專用的知識圖譜

  知識圖譜是相當實用的構件，不過為特定領域製作專用知識圖譜的費用可能極為高昂。我們希望透過這項專案提供自動產生實體/主題/概念知識圖譜的方法，讓系統僅須分析使用者上傳的整份文件即可自動產生知識圖譜。

• 學習有效損失函式

  訓練機器學習模型時，您每次都需要選擇損失函式來盡可能降低一組訓練資料的波動。這項實驗可讓您以有效率的方式依據資料學習有效損失函式。您可以選擇在訓練期間即時學習，或是依據已完成的訓練作業結果展開學習程序 (如同傳統的超參數調整作業)。

• 聯合學習諮詢服務

  「聯合學習」這個新興的機器學習方法可讓您在四散的資料集中套用機器學習技術。這個做法不僅可以協助保障資料隱私權，也能提升本機運作速度與效能。有了這項實驗，您就能與 Google 專家討論自己的聯合學習工作相關事宜，包括開放原始碼 TensorFlow Federated 資料庫的使用方式。

• 產生多段簡短文字的摘要

  客戶可以在這項實驗中訓練 Summarizer 模型，這個模型會擷取餐廳評論等簡短文字，並以標準化的方式輸出所有文字內容的摘要 (就像是一份餐廳評論摘要)。

• 差異化隱私諮詢服務

  機器學習模型可以記憶資料，但這項特性可能會產生隱私權問題。不過，目前已有技術可以評估這類記憶情況，並以更高層級的隱私權設定訓練模型。有了這項實驗，使用者就能與 Google 專家討論如何使用開放原始碼 TensorFlow Privacy 資料庫來訓練機器學習模型，並讓模型具備不同的隱私性設定。

• 計算影片中特定動作的出現次數

  透過這項實驗，客戶可以計算特定動作在一或多個影片片段中出現的次數。客戶必須提供一個含有完整動作的影片片段，以及可能會出現這個動作的未加標籤影片。完成上述程序之後，客戶就會收到這個動作在每段影片中出現多少次的數據。

• 影片標籤傳播器

  有了這項實驗，客戶只需要為一部影片中的影格加上標籤，其他相關影片中的各個影格就會取得標籤。我們的系統會將一部影片中的標籤傳播至其他影片。

• 圖片標籤錯誤偵測

  客戶必須在這項實驗中提供已加上標籤的訓練圖片，我們則會使用一系列的品質檢查工具處理這些圖片，並傳回標籤可能有誤的訓練圖片清單。

• 自然語言語意相似度

  依據候選項目清單，在特定文字內容中找出相近或相關的文字項目。這項實驗是以自然語言使用方式中的相關性為基礎，可依據意義和使用方式 (而非只是簡單的關鍵字) 連結不同項目。

• 混合型整數線性規劃解析工具

  用於解析混合型整數線性程式規畫問題。混合型整數線性規畫屬於方程式系統，可在設有一組限制的情況下最佳化處理連續的整數變數。Google 每天都會使用這項解析工具，大規模處理重要業務的最佳化作業難題。應用方式包括指派、排程、封裝和流程問題。

• 提供可信度分數的圖片分類

  只要能夠瞭解特定預測作業有多可靠，AI 系統就會實用許多。這項實驗產生的 AI 模型會傳回預測的類別，以及經過妥善校準的預測作業可信度分數。

• 提供原型的可解讀圖片分類

  我們可以顯示訓練資料中最相近的項目，藉此充分解釋模型預測作業。客戶提供資料之後，我們會傳回一項分類工具。這項分類工具不僅可以預測輸出內容，也能列出可說明判斷結果的相關範例 (原型)。

• 運用擴增學習技術來分類圖片

  在資料不足和/或標籤不完整或不完善時，提高圖片分類模型的成效。依據現狀提供訓練資料之後，您就能取得兩個 CNN 模型的存取權，第一個僅使用您的資料進行訓練，第二個則是以我們的擴增學習技術進行訓練。

• 強化型圖片篩選器

  這項實驗會使用 Google Vision API 和嵌入式模型，從圖片中篩選出所需物件。可能的應用方式包括加快為資料加上標籤的程序，以及迅速排序或封存圖片。