¿Cuáles son algunos de los grandes usos de Google TensorFlow?

Los 5 mejores casos de uso de TensorFlow

La principal herramienta de software de aprendizaje profundo es TensorFlow. Es una biblioteca de inteligencia artificial de código abierto, que utiliza gráficos de flujo de datos para construir modelos. Permite a los desarrolladores crear redes neuronales a gran escala con muchas capas. TensorFlow se utiliza principalmente para: Clasificación, Percepción, Comprensión, Descubrimiento, Predicción y Creación.

Reconocimiento de voz / sonido

Uno de los usos más conocidos de TensorFlow son las aplicaciones basadas en sonido. Con la alimentación de datos adecuada, las redes neuronales son capaces de comprender las señales de audio. Estos pueden ser:

Reconocimiento de voz: se utiliza principalmente en IoT, automoción, seguridad y UX / UI
Búsqueda por voz: utilizada principalmente en telecomunicaciones, fabricantes de teléfonos
Análisis de sentimientos: utilizado principalmente en CRM
Detección de defectos (ruido del motor): se utiliza principalmente en automoción y aviación

Con respecto a los casos de uso común, todos estamos familiarizados con la búsqueda por voz y los asistentes activados por voz con los nuevos teléfonos inteligentes de amplia difusión como Siri de Apple, Google Now para Android y Microsoft Cortana para Windows Phone.

La comprensión del idioma es otro caso de uso común para el reconocimiento de voz. Las aplicaciones de voz a texto se pueden usar para determinar fragmentos de sonido en archivos de audio más grandes y transcribir la palabra hablada como texto.

Las aplicaciones basadas en sonido también se pueden usar en CRM. Un escenario de caso de uso podría ser: algoritmos TensorFlow que reemplazan a los agentes de servicio al cliente y enrutan a los clientes a la información relevante que necesitan, y más rápido que los agentes.

Aplicaciones basadas en texto

Otros usos populares de TensorFlow son aplicaciones basadas en texto como análisis sentimentales (CRM, redes sociales), detección de amenazas (redes sociales, gobierno) y detección de fraudes (seguros, finanzas)

La detección de idiomas es uno de los usos más populares de las aplicaciones basadas en texto.

Todos conocemos Google Translate , que admite más de 100 idiomas que se traducen de uno a otro. Las versiones evolucionadas se pueden utilizar para muchos casos, como traducir jerga jerárquica de contratos en lenguaje sencillo.
Resumen de texto

Google también descubrió que para textos más cortos, el resumen se puede aprender con una técnica llamada aprendizaje de secuencia a secuencia. Esto se puede utilizar para producir titulares para artículos de noticias. A continuación, puede ver un ejemplo en el que el modelo lee el texto del artículo y escribe un título adecuado.

Entrada: Artículo primera oración

Titular escrito por modelo

A partir del 1 de julio, la provincia de la isla de Hainan, en el sur de China, implementará un estricto control de acceso al mercado en todo el ganado y los productos animales para evitar la posible propagación de enfermedades epidémicas.

Hainan para frenar la propagación de enfermedades

Otro caso de uso de Google es SmartReply . Genera automáticamente respuestas por correo electrónico (deseando que la versión evolucionada de este haga nuestro negocio en nuestro nombre)

Reconocimiento de imagen

Utilizado principalmente por los medios sociales, las telecomunicaciones y los fabricantes de teléfonos; El reconocimiento de rostros, la búsqueda de imágenes, la detección de movimiento, la visión artificial y el agrupamiento de fotografías se pueden usar también en las industrias automotriz, de aviación y de atención médica. El reconocimiento de imágenes tiene como objetivo reconocer e identificar personas y objetos en imágenes, así como comprender el contenido y el contexto.

Los algoritmos de reconocimiento de objetos TensorFlow clasifican e identifican objetos arbitrarios dentro de imágenes más grandes. Esto generalmente se usa en aplicaciones de ingeniería para identificar formas con fines de modelado (construcción de espacios en 3D a partir de imágenes en 2D) y en redes sociales para etiquetar fotos (Deep Face de Facebook). Al analizar miles de fotos de árboles, por ejemplo, la tecnología puede aprender a identificar un árbol que nunca antes había visto.

El reconocimiento de imágenes también está comenzando a expandirse en la industria de la salud, donde los algoritmos de TensorFlow pueden procesar más información y detectar más patrones que sus contrapartes humanas. Las computadoras ahora pueden revisar escaneos y detectar más enfermedades que los humanos.

4. Series temporales

Los algoritmos de la serie temporal TensorFlow se utilizan para analizar datos de series temporales con el fin de extraer estadísticas significativas. Permiten pronosticar períodos de tiempo no específicos además de generar versiones alternativas de las series de tiempo.

El caso de uso más común para las series temporales es la recomendación. Probablemente hayas oído hablar de este uso de Amazon, Google, Facebook y Netflix, donde analizan la actividad del cliente y la comparan con los millones de otros usuarios para determinar qué le gustaría comprar o mirar. Estas recomendaciones son cada vez más inteligentes, por ejemplo, le ofrecen ciertas cosas como obsequios (no para usted) o programas de televisión que podrían gustarle a los miembros de su familia.

Los otros usos de los algoritmos TensorFlow Time Series son principalmente el campo de interés para Finanzas, Contabilidad, Gobierno, Seguridad e IoT con Detecciones de Riesgos, Análisis Predictivo y Planificación de Empresas / Recursos.

5. Detección de video

Las redes neuronales TensorFlow también funcionan en datos de video. Esto se utiliza principalmente en la detección de movimiento, detección de subprocesos en tiempo real en los campos de juegos, seguridad, aeropuertos y UX / UI. Recientemente, las universidades están trabajando en conjuntos de datos de clasificación de video a gran escala como YouTube-8M con el objetivo de acelerar la investigación sobre comprensión de video a gran escala, aprendizaje de representación, modelado de datos ruidosos, aprendizaje de transferencia y enfoques de adaptación de dominio para video.

Bonificación: puede que este no sea un uso común, pero es una cuestión de vida o muerte, ¡si ves películas estadounidenses, lo sabes! – y es elegido como los 20 mejores proyectos a nivel mundial (Global Finalist). La NASA está diseñando un sistema con TensorFlow para la clasificación de órbitas y la agrupación de objetos de asteroides. Como resultado, pueden clasificar y predecir NEO (objetos cercanos a la tierra).

Como TensorFlow es una biblioteca de código abierto, pronto veremos muchos más casos de uso innovadores, que se influenciarán entre sí y contribuirán a la tecnología Machine Learning.

¿Cómo explicaría el concepto de una capa convolucional en una red profunda a una persona no técnica?

¿Qué es la agrupación promedio global?

Cómo hacer ingeniería de características para la regresión no lineal correcta

Cómo comenzar a implementar un sistema de recomendación para juegos

¿Por qué mi hotspot se apaga mientras mis datos están encendidos?

¿Cuál será la próxima gran cosa después de ‘big data’ en tecnología financiera?

TensorFlow se utiliza para una variedad de aplicaciones diferentes, desde la detección de idiomas hasta el reconocimiento de imágenes y el análisis de series temporales. Hay una serie de ejemplos a menudo citados que muestran las capacidades del producto e ilustran cuán variadas pueden ser las aplicaciones del aprendizaje profundo en el mundo real.

Uno de los ejemplos más memorables de TensorFlow en acción es el clasificador de pepinos de Makoto Koike. Makoto utilizó las capacidades de reconocimiento de imágenes de TensorFlow para clasificar los pepinos por calidad, ahorrando horas de trabajo para su familia cada día.

Por supuesto, el reconocimiento de imágenes es útil para muchas industrias y aplicaciones diferentes. Aquí hay una lista de algunos de los ejemplos del mundo real de esta tecnología en acción:

Las empresas de redes sociales están utilizando algoritmos de reconocimiento de objetos para etiquetar fotos.
Los científicos están utilizando el aprendizaje profundo para facilitar el análisis de imágenes para aplicaciones de imágenes como la microscopía.
Las tiendas minoristas pueden usar la detección de objetos para crear una experiencia de pago más inteligente, similar a las tiendas Amazon Go.

Hay muchas otras industrias que están comenzando a utilizar el reconocimiento de imágenes y objetos, incluida la atención médica, la aviación, la automoción y la exploración espacial.

Es posible que se sorprenda al saber que Google está preocupado por los costos de sus facturas de energía. Pero la realidad es que el uso de energía en los centros de datos es un gran problema para muchas compañías más grandes, que les cuesta cientos de millones de dólares cada año.

Pero imagine si pudiera reducir su consumo de energía en un 15%.

Google lo hizo. ¿Cómo?

Bueno, junto con otras mejores prácticas, utilizaron el aprendizaje automático para aprovechar los datos de sensores existentes para modelar el rendimiento y mejorar la eficiencia energética.

Diseñaron redes neuronales para ver datos de alrededor de 120 variables diferentes en los centros de datos y resolver los métodos más eficientes de enfriamiento, velocidades de bombeo, temperaturas y más para optimizar sus operaciones.

Como se muestra en el cuadro anterior, la efectividad del uso de energía (PUE) del centro de datos de Google ha disminuido significativamente desde que comenzaron los esfuerzos en 2008. Los centros de datos de Google ahora se encuentran entre los más eficientes del mundo.

Hay más usos enumerados en la publicación del blog aquí: https://temboo.com/blog/using-te …

Daniel Entin

Google TensorFlow es básicamente una biblioteca de Machine Learning que se utiliza para aplicar el aprendizaje profundo a varios productos de Google, como Google search, Gmail, reconocimiento de voz, Google Photos, etc.

Deep Learning es excelente para el reconocimiento de patrones / percepción de máquinas, y se aplica a imágenes, video, sonido, voz, texto y datos de series de tiempo. Puede ayudarlo a clasificar, agrupar y predecir con una precisión a veces sobrehumana. . Lo hace aprendiendo a leer las señales, o la estructura, en los datos automáticamente. Cuando los algoritmos de aprendizaje profundo entrenan, hacen suposiciones sobre los datos, miden el error de sus conjeturas con respecto al conjunto de entrenamiento y luego corrigen la forma en que hacen conjeturas para ser más precisos.

Además de Deep Learning, TensorFlow también admite el aprendizaje por refuerzo.

Tensorflow se ha implementado con éxito en software automatizado de subtítulos de imágenes, como DeepDream, que puede crear una apariencia alucinógena de ensueño en las imágenes deliberadamente sobreprocesadas.
Google implementó oficialmente RankBrain el 26 de octubre de 2015, respaldado por TensorFlow, RankBrain ahora maneja un número sustancial de consultas de búsqueda, reemplazando y complementando los resultados de búsqueda tradicionales basados en algoritmos estáticos.
Se ha utilizado en Allo (aplicación) que puede sugerir una respuesta al último mensaje, que se puede seleccionar entre algunas opciones. La función también analizará las imágenes enviadas al usuario para sugerir respuestas. Similar a la función de respuesta inteligente que se ve en la aplicación Inbox by Gmail de Google, aprenderá del comportamiento del usuario para adaptar sus sugerencias con el tiempo.
Se utiliza para el modelo de visión por computadora en el dispositivo para hacer un reconocimiento óptico de caracteres para permitir la traducción en tiempo real.

Daniel Entin

Es un modelo de AI “Machine Learning” utilizado por Google para ayudar a la máquina a conocer sus búsquedas, las imágenes que mira, los videos que mira, etc.

Tiene una visualización muy interesante que le permite a la máquina digerir el contenido que está viendo de una manera que la máquina pueda entenderlo y luego desarrollar una mejor experiencia para usted.

Este es el futuro del marketing, donde la máquina podrá aprovechar a los usuarios para aprender más sobre usted y brindarle una experiencia más personalizada.

También se puede usar para servicios inteligentes para espiar a los usuarios y monitorear el comportamiento de miles de millones de usuarios en todo el mundo sin interferencia humana.

Daniel Entin

tensorflow tiene un gran conjunto de bibliotecas, por lo que desarrollar algo se vuelve muy fácil y simple, tomemos un ejemplo de regresión lineal, con muy pocas líneas de código podemos construir buenos algoritmos de aprendizaje automático.

La regresión lineal en TensorFlow se puede encontrar aquí. Introducción a la regresión lineal

Tiene un código completo para la regresión lineal en TensorFlow con la explicación adecuada.

Elena Lauren

Otros utilizan ahora un motor de inteligencia artificial que Google utiliza en muchos de sus productos y que se puso a disposición de forma gratuita para realizar algunos trucos, como traducir inglés al chino, leer textos escritos a mano e incluso generar obras de arte originales.

El software de IA, llamado TensorFlow, proporciona una forma sencilla para que los usuarios capaciten a las computadoras para realizar tareas al suministrarles grandes cantidades de datos. El software incorpora varios métodos para construir y entrenar eficientemente redes neuronales de “aprendizaje profundo” simuladas en diferentes equipos informáticos.

TensorFlow surgió de un proyecto en Google, llamado Google Brain, destinado a aplicar varios tipos de aprendizaje automático de redes neuronales a productos y servicios en toda la empresa.

TensorFlow es ahora una de las varias bibliotecas de software de aprendizaje profundo de código abierto, y su rendimiento actualmente está a la zaga de algunas otras bibliotecas para ciertas tareas. Sin embargo, está diseñado para ser fácil de usar y se puede transportar fácilmente entre diferentes hardware. Y Dean dice que su equipo está trabajando duro para mejorar su desempeño.

Elena Lauren

More Interesting

¿Por qué mi red neuronal artificial predice demasiados falsos negativos (FN)?

¿Qué técnicas se usan generalmente para la reducción de la dimensionalidad en el campo de análisis de Big Data?

¿Cómo agrega Quora el aprendizaje automático a su aplicación web?

¿Cuáles son actualmente los temas candentes en la investigación de aprendizaje automático y en aplicaciones reales?

¿Es posible darle a una computadora millones de imágenes de varios objetos, y se da cuenta de que hay cosas como animales, platos de cocina, montañas, etc. sin que nosotros lo digamos, y cómo se hace esto exactamente?

¿Cuáles son algunos modelos matemáticos o técnicas estadísticas que son útiles para los científicos que trabajan con grandes datos?

¿Qué es la regularización de Tikhonov en términos simples?

Cómo usar un árbol de decisión para clasificar un conjunto de datos no balanceado

¿En qué medida se utilizan las técnicas de optimización del aprendizaje automático, como el descenso de gradiente, en el modelado financiero?

Si una red de alimentación directa de una sola capa es capaz de aproximarse a cualquier grado de precisión, ¿por qué es exitoso el aprendizaje profundo?