什么是机器学习?

“机器学习”是一种可帮助软件在没有具体编程或规则的情况下执行任务的功能。机器学习一直以来被视作人工智能的一个子类别,涉及到“深度学习”(又称“神经网络”)等统计技术,受关于人脑信息处理的理论启发而得到发展。

机器学习的运作方式是怎样的?

机器学习通过算法模型驱动,这些模型经过训练可识别所收集数据(例如日志、语音、文字或图片)中的模式。大量训练数据和强大的计算能力是成功训练机器学习模型的前提条件。因此,云平台(具备海量的数据存储空间和规模化的高性能计算能力,并且此类资源可能特别经济实惠)是理想的机器学习平台。

有哪些机器学习方面的示例?

日常生活中,机器学习方面的例子比比皆是。一个非常简单的例子是,在搜索字段中自动填充名称、关键字或地址,但这一概念也可应用于众多行业中更为复杂的用例。举例来说,机器学习可用于:

  • 对图片(例如 MRI 检查数据、照片或卫星图像)进行分类
  • 在海量文本文档或电子邮件中寻找关键字
  • 标记可能的欺诈性交易
  • 根据客户行为提供个性化产品推荐
  • 使软件能够准确响应语音指令
  • 预测天气模式或其他气候条件
  • 翻译文本或音频中的语言

总之,如果有软件在大规模执行超出人类能力范围的劳动密集型任务,很可能就是机器学习在发挥关键作用。

Google 内部如何使用机器学习?

多年来,机器学习一直是 Google 内部系统的基石,这主要是因为我们需要大规模地自动运行数据驱动的系统。这种经验让我们能够以独特的视角了解什么是合适的框架、技术、基础架构和数据,从而帮助客户成功地从机器学习中获取价值。

举例来说,我们最初开发开源框架 TensorFlow 是为了在 Google 内部使用,但现在它已成为该数据科学社区的一项标准,使高级用户能够构建并训练强大的模型。除了对学术界和开源社区的巨大贡献外,我们的数百名机器学习研究人员还帮助将机器学习功能引入 Google 产品(例如 G Suite、Google 搜索和 Google 相册),并引入 Google 的内部运营中(例如,用于数据中心自动化)。

如何在我自己的组织中开始使用机器学习?

曾经一度,机器学习技术仅应用于统计学和数据科学等特殊领域,而现在则以开源库 (TensorFlow) 以及托管式服务和云 API 的形式广泛运用于各行各业。如果数据科学家想要构建能在本地与云端之间移动的“面向未来”的模型,或者如果主流开发者缺乏足够的训练数据,想要通过云 API 将预构建/预训练的模型引入其应用,在日常工作中使用上述工具是一个现实的目标。

了解详情: