TensorFlow skaber nye muligheder for machine learning

Hvis du er i gang med at researche værktøjer til at få inkorporeret machine learning i din virksomhed eller bare generelt er nysgerrig omkring TensorFlow-hypen, så er denne artikel for dig.

TensorFlow afholdt den 30. marts deres TensorFlow Developer Summit, der var fuld af inspirerende oplæg og præsentation af nye spændende features. Eager execution, debugger dashboard og integrationen med Apache Beam er blot nogle af de ting, vi machine learning-udviklere er rigtig begejstrede over. Er du ikke udvikler, så er der stadig nogle features, der er værd at kende. Her er en kort introduktion til, hvad TensorFlow er og nogle af de spændende nye features, du bør kende – leveret så ikke-tekniske kan forstå det.

TensorFlow Developer Summit 2018 logo

TensorFlow i en nøddeskal

TensorFlow er et programmeringsbibliotek, der kan hjælpe dig med at knuse tal – primært bliver det brugt til dybe neurale netværksmodeller. Udviklere kan skabe machine learning-modeller, der skalerer automatisk til forskellig hardwarearkitektur, hvilket gør træningen effektiv selv med en begrænset programmeringsindsats. TensorFlow abstraherer hardwarelaget og nogle af de underliggende beregninger, men udvikleren skal stadig selv have en god forståelse for machine learning og være i besiddelse af nogle gode programmeringsevner.

TensorFlow er et open-source-projekt fra Google, og selvfølgelig fungerer skalerbarheden som en drøm, når man bruger Google Cloud-infrastruktur – både under udvikling og produktion, som vi også beskrev i dette blogindlæg. Dog er modellerne langt fra begrænset til Google Cloud. Faktisk er der et stort udvalg af platforme, som bliver supporteret, hvilket gør det muligt for os at bruge machine learning selv i offline apps og browsers.

Code from TensorFlow

Machine learning i browsere og offline apps

TensorFlow.js bringer machine learning-kode ind i browseren. Det betyder, at en online infrastruktur eller en infrastruktur i skyen ikke længere er en nødvendighed for at lave forudsigelser on-the-fly for brugere, der besøger et website. Forestil dig de personaliseringsmuligheder du får ved at have et analyseværktøj som dette, der kan identificere, hvad brugerne synes om historier eller produkter få sekunder efter, at de har skrevet en kommentar. En stor fordel ved at bruge forudsigelser direkte i browseren er, at hvis der er privat eller sensitiv information om brugeren, så forlader den information ikke deres enhed.

TensorFlow Lite udvider mulighederne for at få TensorFlow-modeller til mobile og indlejrede enheder. Det kan nemlig bruges til at berige mobile apps med machine learning-modeller, selvom de er offline. Udover fordelen ved ikke at være afhængig af en god internetforbindelse, så er det også relevant, at de eventuelle private informationer bliver på brugerens enhed. Dette er specielt vigtigt for SMART-apparater, der ofte er afhængige af input fra mikrofoner og kameraer.

TensorFlow's layers explained

Algoritmer up for grabs

TensorFlow Hub er et nyt bibliotek, hvor man kan dele og genbruge machine learning-modeller. Det er især brugbart, når man arbejder med billeder, tale og tekst, som hvis man for eksempel bygger en model, der skal kunne genkende dit brand på billeder eller i kommentarer. Så er der nemlig tale om transfer learning, som kort fortalt betyder, at du arbejder med modeller, der allerede er blevet trænet i tusindvis af billeder og sætninger. Ved at gøre det kan du minimere den mængde af data, du skal indsamle, og derfor spare tid på tilpasningen af din model. Det er blevet almindelig praksis, men TensorFlow Hub faciliterer benyttelsen af allerede trænede modeller og hjælper med at øge antallet, variationen og kvaliteten.

Tensorflow is the core of IIH Nordic's machine learning tools

TensorFlow er allerede kernen i adskillige af IIH Nordics værktøjer, der bruger machine learning til at processere data eller til at lave forudsigelser omkring webservices. Vi ser et stort potentiale i brugen af TensorFlow Lite, Hub og js, når der skal udvikles mere avancerede og innovative machine learning-løsninger, som ikke er begrænsede af altid at skulle være online.

0 replies

Skriv en kommentar

Want to join the discussion?
Feel free to contribute!

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *