Auto Machine Learning Dari Google

Auto Machine Learning dari Google pada tahun ini. Auto Machine Learning (Auto ML) adalah kecerdasan buatan bisa belajar pemrograman kecerdasan buatan sendiri secara mandiri. Mesin pembelajaran ini telah mencapai keberhasilan yang cukup besar dan semakin banyak disiplin ilmu yang berkaitan dengannya.

Kecerdasan buatan yang dibuat oleh manusia, kemudian dilatih secara terbimbing (supervised learning) atau tidak terbimbing (unsupervised learning) agar dapat menyelesaikan suatu masalah yang telah ditentukan. Selama dalam proses belajar agar dapat menjadi lebih pintar harus diinputkan sejumlah data latih melalui lapisan-lapisan (layer) yang direpresentasikan ke dalam persamaan matematika yang terinspirasi dari jaringan saraf biologi.

Kecedasan buatan menciptakan model arsitektur anak jaringan saraf tiruan yang baru. Respon atau umpan balik (feedback) dari anak jaringan saraf tiruan dapat digunakan untuk memberitahu ke jaringan saraf pengendali agar meningkatkan proses pada bagian selanjutnya. Proses pengulangan dilakukan terus menerus untuk menghasilkan atau memperbarui arsitektur, menguji, dan memberikan umpan balik agar terus belajar. Hasil akhirnya dapat ditetapkan sebagai probabilitas yang paling baik ke dalam ruang arsitektur dengan tingkat akurasi yang lebih baik pada pengujian output jaringan sarafnya.

Namun itu juga memerlukan kemajuan dalam melakukan proses pembelajaran untuk :

1. Memroses data
2. Memilih fitur yang sesuai
3. Memilih model terdekat
4. Mengoptimalkan model hyperparameters
5. Model pembelajaran mesin postprocess
6. Menganalisa hasil yang didapat

Proyek yang digagas Google ini dapat menjadi solusi dari sedikitnya tenaga ahli artificial intelligence. Sebab banyak perusahaan yang menginginkan implementasi mesin pembelajaran untuk meningkatkan bisnis mereka. Untuk membuat mesin pembelajaran, programmer harus menyusun algoritma terbaik dan melalui serangkaian percobaan. Proses ini digunakan dan dipelajari oleh Auto Machine Learning.

Proyek Auto ML Google merupakan sebuah pendekatan yang mengotomatisasi desain model pembelajaran mesin. Auto ML dapat merancang jaringan syaraf kecil yang bekerja sama dengan jaringan syaraf tiruan yang dirancang oleh pakar manusia, namun hasil ini dibatasi pada kumpulan data akademis kecil seperti CIFAR-10, dan Penn Treebank. Jaringan syaraf dalam sangat bergantung pada hiperparameter mereka, dan pengoptimalan modern telah mencapai hasil yang lebih baik dalam menetapkannya daripada manusia (Bergstra et al, Snoek et al).

Google memasukkan Auto ML ke klasifikasi gambar ImageNet dan dataset deteksi objek COCO – dua dari kumpulan data akademis skala besar yang paling dihormati dalam visi komputer. Ini memiliki urutan yang lebih besar daripada dataset CIFAR-10 dan Penn Treebank. Google mendesain ulang ruang pencarian sehingga Auto ML bisa menemukan lapisan terbaik untuk menciptakan jaringan akhir. Dan juga melakukan pencarian arsitektur terbaik pada CIFAR-10. Kedua lapisan ini digabungkan untuk membentuk arsitektur baru, yang disebut “NASNet”. Google juga mentransfer fitur yang dipelajari dari ImageNet ke deteksi objek. Menggabungkan fitur tersebut dengan kerangka kerja Faster-RCNN melampaui kinerja prediktif dari pada tugas pendeteksian objek COCO di model terbesar maupun yang dioptimalkan untuk seluler.

Penggunaan Auto ML dalam membuat ilmu pencarian model. Arsitektur penglihatan komputer yang kompleks secara otomatis dapat dimanfaatkan untuk menghasilkan kemajuan dalam 3 kegiatan yang berbeda. Yakni pada pencocokan wajah, identifikasi wajah, dan pengenalan objek.

 

Ilmuwan data, analis, dan pengembang dapat menggunakan untuk:

1. Menerapkan solusi Auto ML tanpa pengetahuan pemrograman yang luas
2. Hemat waktu dan sumber daya
3. Memanfaatkan praktik terbaik ilmu data
4. Berikan pemecahan masalah yang gesit

Langkah-langkah untuk Auto Machine Learning

1. Persiapan dan konsumsi data (dari data mentah dan format lain-lain)
   Deteksi jenis kolom; misalnya boolean, numerik diskrit, numerik kontinu, atau teks
   Deteksi maksud kolom; misalnya target / label, bidang stratifikasi, fitur numerik, fitur teks kategorikal, atau fitur teks bebas
   Deteksi tugas; misalnya klasifikasi biner, regresi, pengelompokan, atau peringkat
2. Rekayasa fitur
   Pemilihan fitur
   Ekstraksi fitur
   Pembelajaran meta dan pembelajaran transfer
   Deteksi dan penanganan data miring dan / atau nilai yang hilang
3. Pemilihan model
4. Optimalisasi hyperparameter dari algoritma pembelajaran dan fiturisasi
5. Pilihan pipeline di bawah batasan waktu, memori, dan kompleksitas
6. Pemilihan metrik evaluasi dan prosedur validasi
7. Masalah pemeriksaan
   Deteksi kebocoran
   Deteksi kesalahan konfigurasi
8. Analisis hasil yang diperoleh
9. Antarmuka pengguna dan visualisasi untuk pembelajaran mesin otomatis

AutoML melalui pengoptimalan berbasis gradien :

1. Contoh kumpulan hyperparameter
2. Latih model dengan hyperparameter ini
3. Dapatkan skor utilitas model
4. Dengan mempertimbangkan gradien skor utilitas, pilih rangkaian hyperparameter baru yang akan meningkatkan skor utilitas.
5. Ulangi langkah 2 hingga 4 hingga hasilnya memuaskan

AutoML melalui pengoptimalan Bayesian :

1. Contoh kumpulan hyperparameter
2. Latih model bersama mereka dan latih fungsi pengganti
3. Pilih hyperparameter berdasarkan fungsi pengganti dan pemilihan
4. Ulangi 2-3 sampai hasil yang memuaskan tercapai.

Cloud Auto Machine Learning

Cloud AutoML adalah rangkaian produk pembelajaran mesin yang memungkinkan developer dengan keahlian pembelajaran mesin terbatas untuk melatih model berkualitas tinggi yang sesuai dengan kebutuhan bisnis mereka. Produk ini mengandalkan teknologi pembelajaran transfer dan neural architecture search yang canggih dari Google.

Fitur Cloud AutoML

Model kustom

Melatih model pembelajaran mesin kustom yang benar-benar sesuai dengan kebutuhan bisnis dengan upaya dan keahlian pembelajaran mesin.

Didukung oleh AutoML dan pembelajaran transfer Google

Memanfaatkan AutoML dan teknologi pembelajaran transfer learning Google yang canggih untuk menghasilkan model berkualitas tinggi.

Terintegrasi sepenuhnya

Cloud AutoML terintegrasi penuh dengan layanan Google Cloud sehingga memberikan cara yang konsisten untuk mengakses seluruh lini layanan Google Cloud. Termasuk menyimpan data pelatihan Anda di Cloud Storage. Untuk membuat prediksi pada model terlatih Anda, cukup gunakan Vision API yang ada dengan menambahkan parameter atau gunakan layanan prediksi online AI Platform.

Integrasi dengan layanan pelabelan data.

Jika Anda memiliki gambar tetapi belum ada labelnya, tim internal Google akan meninjau petunjuk khusus dari Anda dan mengklasifikasikan gambar tersebut sesuai petunjuk. Anda akan mendapatkaAutoML Vision
Mendapatkan insight dari gambar di cloud atau di edge.n data pelatihan berkualitas tinggi, sementara data Anda tetap terjaga kerahasiaannya. Hanya tersedia untuk AutoML Vision.

Produk Auto Machine Learning

AutoML Vision

Mendapatkan insight dari gambar di cloud atau di edge.

1. AutoML Vision Classification.
   Memungkinkan Anda melatih model pembelajaran mesin kustom Anda sendiri untuk mengklasifikasikan gambar Anda sesuai dengan label yang Anda tentukan.
2. AutoML Vision Edge – Klasifikasi Gambar.
   Memungkinkan Anda membuat model kustom dengan akurasi tinggi dan cepat untuk mengklasifikasikan gambar di edge, dan memicu tindakan real-time berdasarkan data lokal. Terapkan model ini ke berbagai perangkat edge.
3. AutoML Vision Object Detection.
   Memungkinkan Anda melatih model pembelajaran mesin kustom Anda sendiri untuk mendeteksi dan mengekstrak beberapa objek. Dan memberikan informasi tentang setiap objek termasuk posisinya dalam gambar.
4. AutoML Vision Edge – Deteksi Objek.
   Memungkinkan Anda membuat model kustom dengan akurasi tinggi dan cepat untuk mendeteksi beberapa objek dalam gambar di edge, dan memicu tindakan real-time berdasarkan data lokal. Terapkan model ini ke berbagai perangkat edge.

AutoML Video Intelligence

Memberikan sistem penemuan konten yang andal dan pengalaman video yang menarik.

1. AutoML Video Intelligence Classification.
   Memungkinkan Anda melatih model pembelajaran mesin untuk mengklasifikasikan pengambilan gambar dan segmen dalam video Anda sesuai dengan label yang Anda tentukan sendiri.
2. AutoML Video Intelligence Object Tracking.
   Memungkinkan Anda melatih model pembelajaran mesin untuk mendeteksi dan melacak beberapa objek dalam pengambilan gambar dan segmen.

AutoML Natural Language

Mengungkap struktur dan makna teks melalui pembelajaran mesin. Memungkinkan Anda membuat dan menerapkan model pembelajaran mesin kustom yang menganalisis dokumen, mengkategorikannya, mengidentifikasi entitas di dalamnya, atau menilai sikap di dalamnya.

Jika Anda tidak memerlukan solusi model kustom, Cloud Natural Language API menyediakan klasifikasi konten, analisis entitas dan sentimen, dan banyak lagi.

AutoML Translation

Mendeteksi dan menerjemahkan antar bahasa secara dinamis. Memungkinkan Anda membuat model terjemahan kustom Anda sendiri sehingga kueri terjemahan memberikan hasil yang spesifik untuk domain Anda.

Jika Anda tidak memerlukan solusi model kustom, Translation API menyediakan terjemahan dinamis untuk lebih dari 100 bahasa.

AutoML Tables

Membuat dan men-deploy model pembelajaran mesin yang canggih secara otomatis pada data terstruktur.

Memungkinkan seluruh tim Anda secara otomatis membuat dan menerapkan model pembelajaran mesin yang canggih pada data terstruktur dengan kecepatan dan skala yang ditingkatkan secara masif.