AI Workshop

Sperimenta con la ricerca all'avanguardia di Google e modella il futuro dell'AI aziendale.

Visualizza gli esperimenti Visualizza i requisiti

Partecipa al futuro dell'AI aziendale

Nell'ambito dell'impegno a favore della democratizzazione dell'AI, Google Cloud AI Workshop offre a clienti, partner, ricercatori e sviluppatori l'opportunità di realizzare esperimenti con innovazioni all'avanguardia nell'AI. 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.

L'obiettivo finale è collegare ricerca e pratica per poter affrontare insieme le sfide dell'AI aziendale.

Che cos'è AI Workshop?

Una galleria di esperimenti

Il nucleo di AI Workshop è costituito dalle tecnologie esplorative che i nostri ingegneri e ricercatori hanno scelto di condividere. Sfogliale di seguito, oppure suggeriscine una nuova.

Scopri di più

Un forum di discussione

AI Workshop è uno spazio dove tecnici e ricercatori AI si incontrano con gli utenti che innovano grazie ai loro prodotti di AI. Un'interazione più diretta tra questi gruppi permette di produrre nuove idee, formulare domande cruciali e fornire un feedback sincero.

Avvia una conversazione

Una piattaforma in evoluzione

In AI Workshop non c'è spazio per l'inerzia. Abbiamo l'obiettivo di lanciare nuovi contenuti con cadenza regolare e rapidità. I nostri ricercatori e tecnici aggiorneranno e miglioreranno gli esperimenti in base ai tuoi test e feedback. Ci aspettiamo che alcuni di questi esperimenti evolvano fino a diventare nuovi prodotti, mentre altri non lo faranno, ne siamo consapevoli.

Resta sempre al passo

Cosa si intende per esperimento?

Novità e ambizione

Gli esperimenti sono tecnologie innovative che rappresentano alcuni degli ultimi risultati ottenuti dai nostri ricercatori e tecnici impegnati nelle maggiori sfide nel campo dell'AI e del machine learning. Questi esperimenti riflettono la portata di tali ambizioni.

Lavori in corso

Gli esperimenti non sono prodotti. Possono non essere del tutto rifiniti e sono supportati direttamente dai nostri team di ricerca. Faremo del nostro meglio per assicurare un'esperienza eccellente, ma non offriamo alcuna garanzia di disponibilità, affidabilità, prestazioni o resistenza al bias. Potrebbero essere modificati in modi non compatibili con le versioni precedenti. Non sono soggetti a SLA o norme sul ritiro. Non comportano alcun impegno a venire trasformati in prodotti o funzionalità di prodotti in futuro. Consigliamo vivamente di NON utilizzarli in ambienti di produzione o per flussi di lavoro essenziali.

Diversificazione

Dalle API e dai servizi agli strumenti, gli esperimenti possono assumere varie forme. Trattano dati di tipi diversi (o di più tipi contemporaneamente) e possono essere applicabili a una varietà di settori e funzioni.

Utilizzo gratuito

Non è previsto alcun addebito per la partecipazione agli esperimenti in sé. Tuttavia, potrebbero esserti addebitate le tariffe associate se utilizzi altri servizi Cloud nell'ambito del tuo flusso di lavoro. Questi includono, a titolo esemplificativo: spazio di archiviazione, computing, altri prodotti di AI Cloud (ad esempio, chiamate API) e così via.

Visualizza gli esperimenti

Chi può utilizzare un esperimento?

Esperti di AI

In generale, gli utenti più tecnologicamente avanzati trarranno i maggiori vantaggi dagli esperimenti. Potranno configurare, eseguire e valutare i nostri esperimenti più sofisticati e risolverne i problemi.

Ai confini di territori sconosciuti

Per la loro natura di fase iniziale, gli esperimenti sono più adatti ai clienti che lavorano a loro volta in fasi sperimentali, piuttosto che in ambienti di produzione. Se stai esplorando nuovi utilizzi dei dati, realizzando prototipi e proof of concept o sviluppando ricerche accademiche, AI Workshop potrebbe essere la soluzione per te.

Disponibilità ad aiutare

Tutti i partecipanti devono registrarsi come clienti Google Cloud per poter accedere agli esperimenti. L'uso degli esperimenti è regolato dai termini di servizio precedenti alla disponibilità generale e dalle disposizioni sulle informazioni riservate (in quanto "informazioni riservate di Google") del tuo contratto di licenza Google Cloud Platform.

Esperimenti in corso

L'elenco verrà aggiornato man mano che diventano disponibili nuovi esperimenti.

PubMed Semantic Search

L'esperimento PubMed Semantic Search offre un'API per inviare query in linguaggio naturale e ricevere pubblicazioni pertinenti e prove evidenti dall'indice PubMed, che comprende oltre 30 milioni di articoli. Questo strumento sfrutta la comprensione del linguaggio naturale all'avanguardia per elaborare complesse query biomediche e aiutare scienziati e ricercatori a raggiungere velocemente i documenti e le risposte pertinenti.

Abstractive Document Summarization

Formula riepiloghi in linguaggio naturale di documenti di testo. Invia un documento di testo (verrà troncato a una lunghezza di 800 parole circa) e ricevi un riepilogo di 200 parole circa.

Hard-attention Explanations for Image Classification

I clienti possono utilizzare un'API che classificherà un'immagine fornendo al tempo stesso spiegazioni su quali parti dell'immagine hanno contribuito alla classificazione. I precedenti tentativi di creare questo tipo di spiegazioni avevano prodotto spiegazioni troppo vaghe o prestazioni della classificazione scarse.

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.

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.

Automated Image Captions and 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.

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 è volto a 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 Detector 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 Scoring

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.

Mi interessa un esperimento

Ricevi aggiornamenti

Ricevi una notifica ogni volta che vengono aggiunti nuovi esperimenti ad AI Workshop.

Registrati

Prova altri lavori in corso

I clienti selezionati possono inoltre accedere alle versioni EAP (Early Access Program) e alpha dei prodotti Google Cloud.

Contattaci