Називати Google тільки пошуковим гігантом було б несправедливо - з системи знаходження релевантних сайтів він швидко перетворився на рушійну силу інновацій в ключових IT-секторах. За останні роки Google лякаюче укорінився майже в усьому цифровому, будь то електроніка (смартфони, планшети, ноутбуки), базове програмне забезпечення (Android, Chrome OS) або інтелектуальне ПО, підтримуване Google AI. У цій статті ми обговоримо, які інструменти надаються Google AI для розробників, дослідників і організацій.

I. Для розробників

1. TensorFlow

TensorFlow - набір програмних бібліотек глибокого навчання з відкритим вихідним кодом. Використовуючи інструменти TensorFlow, аналітики даних можуть створювати високоточні і чітко визначені моделі машинного навчання. 

2. ML Kit

ML Kit - це SDK для мобільних пристроїв, який в даний час доступний на Android і iOS. Він використовує можливості машинного навчання Google в мобільних додатках для вирішення проблем з реального життя:

1. Ідентифікація мови. Передаємо текст в ML Kit - отримуємо розпізнаний. Підтримуються більше сотні мов, включаючи хінді, арабську, китайську, не кажучи вже про європейські. 
2. Людські обличчя можуть бути розпізнані ML KIT. 
3. Розпізнавання об'єктів. ML Kit успішно розпізнає текст, осіб, QR-код та інші об'єкти на зображеннях. Крім того, є API, щоб додавати ваші власні моделі машинного навчання в TensorFlow Lite і інтегрувати їх в додатки.

3. Google Open Source

Google продовжує відкривати свій вихідний код. І за рахунок активної участі спільноти напрацювання Google стають ще краще. Ось пара недавніх прикладів великих проектів.

1. ClusterFuzz. У лютому 2019 року компанія відкрила вихідні тексти платформи ClusterFuzz, призначеної для проведення тестування коду з використанням кластера серверів. ClusterFuzz автоматизує виконання таких завдань, як відправка повідомлення розробникам, створення issue, відстеження помилки і закриття звітів після виправлення.
2. AutoFlip. У лютому цього року Google представила AutoFlip - систему інтелектуальної перебудови відео, що визначає найбільш важливі об'єкти в кадрі і відповідним чином обрізає ролик. За рахунок цього з альбомно-орієнтованих відео можна отримувати вертикальні, портретні, які зручно дивитися на мобільних телефонах без повороту екрану.

4. Colab

Якщо коротко, то Colab Laboratory або Colab - це онлайн-редактор і компілятор коду Python. Якщо ви знайомі з Jupyter Notebook , то це той самий інструмент, але яким можна користуватися спільно онлайн. Ідея роботи в Colab коротко показана в наступному відео. При цьому протягом 12 годин дозволено безкоштовно користуватися одним GPU NVidia Tesla K80 (після 12 години розрахунок скидається, але можна встигнути порахувати невелику модель).

II. Для дослідників

При зануренні в нову область особливо необхідні дослідження по темі, що вивчається. Google спростила процес пошуку набору даних, запропонувавши такі інструменти.

5. модеровані датасети Google Cloud

Фундаментальна проблема будь-якої моделі ML полягає в тому, щоб навчити її на «правильних» даних. Google Cloud Public Datasets - це набори даних, що куруються фахівцями Google, які періодично оновлюються за допомогою аналізу безлічі досліджень. Формати найрізноманітніші: зображення, транскрибоване аудіо, відео і текст. Дані призначені для широкого кола дослідників з різними сценаріями використання. 

6. пошук Google по наборам даних

У вересні 2018 р Google запустив пошук по наборам даних (Dataset Search). У видачі вказується інформація про ресурс, де опубліковано набір, ліцензія, дата оновлення, опис і доступні для скачування формати. 

7. Crowdsource

Ще одна мета Google - підвищити точність наборів даних, пропонуючи користувачам цікаві завдання, наприклад, розпізнавати різні категорії зображень, такі як малюнки, листи, газети, ілюстрації і багато іншого. У цьому випадку Google експлуатує користувачів, пропонуючи ігрову форму.

З іншого боку, можна повчитися тому, як Google Crowdsource працює з зображеннями, розпізнаванням почерку, виразів обличчя, перевіркою перекладів і міток зображень. Результати аналізу Crowdsource можна перенести на власні ідеї по розмітці даних в рамках ігрового підходу.

III. Для організацій

Уважно стежачи за ринком, Google визначає, як його сервіси можуть перетворити потенційно успішну ідею в досягнуту мету і створює спеціальні інструменти для організацій.

8. Cloud TPU

Машинне навчання, незважаючи на всі досягнення, вимагає високопродуктивного заліза. Для цього компанія створила тензорний процесор (Tensor Processing Unit). Cloud TPU дозволяє підприємствам за рахунок зниження витрат на обладнання пропонувати клієнтам свої найкращі послуги. Тензорний процесор відноситься до класу нейронних процесорів зі спеціалізованою інтегральною схемою. Архітектура заточена під задачі лінійної алгебри, і, наприклад, дозволяє обробляти в Google Фото одним процесором до 100 млн фотографій в день.

9. Cloud AI

Cloud AI дозволяє впроваджувати можливості машинного навчання в свій бізнес. Використовуючи Cloud AI, компанії можуть використовувати вже наявні моделі, що надаються Google, або налаштувати їх на свій смак.

Cloud AI складається з трьох компонентів: Hub, Building Blocks і Platform.

1. AI Hub надає колекцію готових до використання компонентів штучного інтелекту з опціями для обміну і експериментів на моделях.
2. AI Building Blocks дозволяє розробникам додавати в свої додатки обробку мови, комп'ютерний зір, роботу з мовою і структурованими даними.
3. AI Platform дозволяє вченим, інженерам і розробникам даних швидко розгортати свої ідеї за допомогою декількох сервісів, таких як блокноти AI Platform, контейнери глибокого навчання, сервіси створення міток та інші.

10. Cloud AutoML

Cloud AutoML використовується такими популярними брендами, як Disney, Imagia і Meredith. Ніша інструменту - доступне машинне навчання для бізнесу з невеликим досвідом в цій галузі, але початково добре розміченими даними.

Джерело перекладу