電腦不只可以揀馬鈴薯,還可以養乳牛、選黃瓜:細數 Google AI 特別的運用場景

作者 | 發布日期 2018 年 05 月 29 日 15:00 | 分類 AI 人工智慧 , Google , 機器人 follow us in feedly

剛結束的 Google I/O 2018 開發者大會CEO Sundar Pichai 向觀眾展示 Google Assistant 的新技能,可幫主人打給餐廳訂位,語氣酷似真人,可像人一樣閒聊,還會追問。自從 3 年前 Google 提出 AI first 口號以來,在 AI 領域的布局狂飆猛進,收購了 30 多家 AI 創業公司,不僅在學術層面研究人工智慧,也將成果投入實際應用。



據維基百科介紹,機器學習平台 TensorFlow 最初由 Google Brain 團隊開發,用於 Google 研究和生產,2015 年 11 月 日,Google 宣布開源 TensorFlow,所有人都可以透過電腦和網路使用該平台。Google 旗下 50 多個產品,如語音辨識、GmailGoogle 相簿和搜尋,都運用 TensorFlow 深度學習系統。

以下整理了基於 TensorFlow 開發的各種應用實例,以饗讀者。


Google 神經網路機器翻譯

2016 年 Google 發表翻譯技術的突破性研究:神經網路機器翻譯系統(Google Neural Machine Translation,GNMT)。同年 11 月,這項技術正式應用到 Google 翻譯,並支援英語和法語、德語、西班牙語、葡萄牙語、中文、日語、韓語、土耳其語八組語言互譯。不同語言間翻譯的誤差問題一直是機器翻譯需要克服的地方。TensorFlow 和 Tensor Processing UnitsTPUs)為 Google 神經網路機器翻譯模型特別打造硬體加速器,透過不再將句子中的詞和片語獨立翻譯,而是處理完整句子,將翻譯誤差降低了 55%~85%

▲ GNMT 翻譯原理。

該系統藉助最先進的機器學習技術,整體翻譯句子而非逐字翻譯,大幅提高了 Google 翻譯的精確度與流暢度。同時,Google 還建立了端對端學習系統,這讓整個翻譯系統可經翻譯自行學習和訓練,並使翻譯水準進一步提升。

▲ GNMT 大幅提高機器翻譯水準。

影片內容辨識 API

Google Cloud 影片智慧 API 使用強大的深度學習模型,基於 TensorFlow 等架構開發。這款 API 是首款能讓開發者輕鬆搜尋和發現影片內容的 API,開發者可透過影片中提供有關實體(如狗、花、人等名詞,以及跑、遊泳、飛行等動詞)資訊完成搜尋。當這些實體出現時,這款 API 甚至可提供語境理解。例如,搜尋「老虎」將找出儲存在 Google Cloud 影片庫中所有包含老虎的精準鏡頭。

除了影片智慧 APIGoogle Cloud 機器學習已增加了越來越多 API:視覺(Vision)、影片智慧(Video Intelligence)、口語(Speech)、自然語言(Natural Language)、翻譯(Translation)和求職(Jobs)。這些 API 可讓用戶搭建看、聽、理解非架構化資料的下一代應用程式,擴大機器學習在下一代產品建議、醫療影像分析、欺詐監控等眾多領域的使用範圍。

減少資料中心能源消耗

Google 資料中心的執行和降溫需要消耗大量能源。為減少讓裝置降溫消耗的能源,Deepmind 透過監測收集資料中心溫度、功率、轉速等資料,並用此資料訓練深層神經網路。此外,Deepmind 還訓練了兩個深層神經網路,以預測未來數小時資料中心的溫度和壓力。機器學習系統使用於冷卻的能源減少了 40%,相當於 15% 總能源消耗。

黃瓜智慧分揀儲存系統

日本一位菜農使用 TensorFlow 為大量黃瓜建立了一個自動分揀儲存系統。自動拍攝圖片後,首先圖片會上傳到一小型 TensorFlow 神經網路系統分析,以辨識圖片內容是否為黃瓜。再來圖片會上傳到一更大的神經網路系統更進一步分析,將黃瓜按色彩、大小不同,自動分揀成多達 9 個品質等級,大大提高了分揀效率和準確度。

農業:TensorFlow 幫助乳牛養殖

乳牛的健康對產奶量有非常大的影響。如果科技能讓乳牛更健康,就可以提高牛奶產量,並幫助酪農更發展產業。Connecterra 公司利用 TensorFlow 來解並詮釋乳牛各種行為,為酪農提供畜群的健康狀況等資訊。酪農只需透過叫 Ida 的手機 App,便可輕鬆檢視乳牛一天的生活軌跡和健康資訊。

農業:辨識生病植物

高中生 Shaza Mehdi Nile Ravenell 開發了名為 PlantMD App,是在 TensorFlow 執行機器學習的模型,同時從 plantvillage.com 以及一些大學資料庫收集資料,用於訓練該模型辨識生病的植物。Shaza 還開發了一個 App,使用類似方法可診斷皮膚病。

生態保護:熱帶雨林監控裝置

Topher WhiteRainforest Connection 的創始人)發明了「The Guardian」裝置來阻止亞馬遜地區的非法砍伐森林。裝置由舊手機升級改造,同時借助 TensorFlow 執行。裝置裝在樹上,遍布整個森林,透過辨識電鋸和伐木工程車的聲音,向管轄該地區的管理員發出警報。如果沒有這些裝置,就必須依靠人力來監督管理,很難涵蓋大面積地區。

▲ Topher 在亞馬遜地區的高聳樹木群安裝監控裝置。

生態保護:澳洲瀕危海牛追蹤

像很多大型海洋哺乳動物,海牛瀕臨絕種。為保護牠們及棲息地,野生動物保護者需要追蹤研究海牛數量與位置。研究員利用 TensorFlow 的最新影像辨識技術,讓電腦「學會」辨識巨型空拍圖中的海牛。機器辨識的速度遠遠超過人工,精準度也是肉眼的 1.4 倍。

▲ 中間靠下位置的灰色小點就是一隻海牛。

生態保護:聞聲識鳥,保護鳥類

維多利亞大學博士生 Victor Anton 致力於追蹤新西蘭瀕臨滅絕的鳥類,以改善保護工作。他收集了 5 萬個小時的音檔並轉換成譜圖,透過 TensorFlow 更快速分析這些音訊,辨識譜圖中的鳥鳴聲。他希望此研究能為新西蘭未來的動物保護工作提供有價值的資訊。

▲ Victor Anton Google I/O 大會展示這款應用。

醫療:糖尿病視網膜病變診斷

糖尿病視網膜病變是目前越來越被重視的致盲病因,目前全球有 4.15 億糖尿病患者面臨視網膜病變的風險。若發現及時,該病可治癒,但若未能及時診斷,則可能導致不可逆轉的失明。

透過與印度和美國醫生密切合作,Google 建立了一個包含 12.8 萬張眼底掃描圖片的資料庫,用於訓練偵測糖尿病性視網膜病變的深度神經網路。經訓練後的模型可自動篩選疑似病變的眼底掃描圖,準確度甚至超過專業醫師的平均水準。高精確度的糖尿病性視網膜病變自動化篩選法有很大潛力,可幫助醫生提高診斷效率,使患者儘早治療。同時,Google 仍在加強與視網膜研究領域的專科醫生合作,以便確立更具參考價值的量化衡量標準,並仍在探索如何將此研究成果與 DeepMind OCT 研究結合,以便進一步協助醫生診斷糖尿病視網膜病變和其他眼部疾病。

▲ 眼部視力已受到視網膜病變威脅的眼底影像,機器學習分析能將此圖不限於眼部健康的資訊提供給醫生。

醫療:協助治療頭頸部癌症

每 75 名男性和 名女性,有一百五十分之一的女性會診斷為口腔癌,而自 1970 年代以來,口腔癌的發病率上升了 92%。每年,僅在英國,頭頸癌就影響 11,000 多名患者。放射治療等治療的進展提高了生存率,但由於人體有大量精細組織,臨床醫生必須極其小心地治療,確保沒有任何重要神經或器官受損。放射治療之前,臨床醫生必須製作一張詳細的身體部位地圖,此過程稱為「細分」,包括利用解剖學原理繪製人體不同部位,並將資訊傳給放射治療機器,這樣就可保證健康組織完好無損的情況下,鎖定癌細胞。

Deepmind 與英國倫敦大學醫學院的研究人員合作的項目中,機器學習參與了治療方案的設計過程,協助醫護人員細分癌變組織和健康組織。在機器學習的幫助下,細分過程由 4 小時左右縮短到 1 小時。提高放射治療的效率,同時解放了臨床醫生的時間,使他們有更多時間投入病人護理、教育和研究工作。

▲ 頭頸癌患者的 CT 掃描圖。

食品安全:提高食品品管

對大多數產業來說,品管是一個大挑戰,但在食品生產領域,這是最大的挑戰。檢查和根據成分好壞分類是食品公司的首要職責,但所有人工檢查都費時費力,且管理和人力成本高昂。

日本食品公司 Kewpie 公司使用 TensorFlow 開發一個工具,可從嬰兒食品使用的切塊馬鈴薯偵測出有缺陷的部分。主管 Takeshi Ogino 介紹:「人工智慧以近乎完美的精準度挑揀出有缺陷的食材,這對員工來說簡直振奮人心。」

▲ 偵測分類馬鈴薯切塊。

天文:用機器學習搜尋未知行星

Google AI 團隊的一名機器學習研究人員與德州大學奧斯汀分校天體物理學家合作,將機器學習技術運用到太空探索,讓機器學會辨識繞著遙遠恆星公轉的行星。研究人員利用超過 1.5 萬個標記過的克卜勒太空望遠鏡訊號資料庫,訓練基於 TensorFlow 建立的機器學習模型,來區分行星和其他天體。模型辨識行星訊號和非行星訊號的準確率高達 96%,並發現兩顆新行星:Kepler-80 g Kepler-90 i。目前,研究人員只用此模型探索了 20 萬顆恆星中的 670 顆。

▲ 研究人員使用模型在 670 顆恆星資料中搜尋新行星,發現了 顆之前遺漏的行星。

天文:TensorFlow 辨識隕石坑

賓州州立大學的博士研究生 Ari Silburt 和團隊為了解開太陽系起源的祕密,需要把太陽系的隕石坑做成地圖,這樣才能幫助他們找到太陽系已存在的物質形成的位置和時間。過去這需要用人的雙手來完成,既耗時又受主觀影響。後來,他們利用 TensorFlow 以現存的月球照片訓練機器學習模型,使過程完全自動化,並已辨認出超過 6 千個新的隕石坑。

▲ 這張月球照,很難分辨隕石坑分散在哪裡;右圖透過 TensorFlow,就可清晰看到隕石坑了。

從以上案例可看到人工智慧如何透過一些可能還未被大眾察覺的方式影響我們的生活,以及世界各地的人們如何利用人工智慧構築自己的科技。TensorFlow 在全球驅動科技的發展,期待看到更多更精彩的應用,也期待科技帶給我們更多美好與驚喜。

(本文由 雷鋒網 授權轉載;首圖來源:Google