Kaz Soto stellt Googles Machine-Learning-Technologien auf der IPC 2016 vor

Machine Intelligence bei Google
Kommentare

Machine Learning und neurale Netzwerke spielen eine immer wichtigere Rolle – und zwar auch außerhalb wissenschaftlicher Anwendungen. Doch was ist ein neurales Netzwerk überhaupt und wie funktioniert Deep Learning? Auf das und mehr hatte Kaz Soto in seiner Session „Machine Intelligence at Google Scale“ auf der International PHP Conference 2016 in München eine Antwort.

Mittlerweile vergeht fast kein Tag, an dem nicht vom ein oder anderen Meilenstein im Bereich Machine Learning, Deep Learning oder neurale Netzwerke berichtet wird.

Nicht nur Microsoft kann hierbei sehenswerte Ergebnisse vorweisen – erst vor kurzem hat Microsoft mit seiner Spracherkennungstechnologie Menschenlevel erreicht – sondern auch Google arbeitet erfolgreich an entsprechenden Technologien im Bereich Machine Intelligence. Doch warum sind Deep Learning und neurale Netzwerke überhaupt so wichtig?

Neurale Netzwerke: Mehr als nur Image Recognition

In seiner Session Machine Intelligence at Google Scale auf der International PHP Conference 2016 in München zeigte Kaz Soto (Google), was ein neurales Netzwerk ausmacht. Dabei handelt es sich um eine Funktion, die lernt – das heißt, sie kann trainiert werden, um zum Beispiel den Inhalt eines Bildes zu erkennen und genau zu unterscheiden. Dabei gilt: Je länger man ein Neural-Network-Modell trainiert, desto genauer wird es.

In einem neuralen Netzwerk gibt es sogenannte „Hidden Layer“, die jeweils eine bestimmte Anzahl Neuronen umfassen. Jedes Neuron ist dabei für eine eigentlich simple Aufgabe zuständig. Das heißt auch, dass mit steigender Anzahl der Neuronen in den Hidden Layers die einzelnen Neuronen „intelligenter“ werden. Außerdem, so Soto, gilt:

more Hidden Layers = more Hierarchies of Features

Genau so können neurale Netzwerke lernen, Daten ohne menschliche Hilfe zu extrahieren und für verschiedene Use Cases nützlich zu sein.

Use Cases für Machine Learning bei Google

Schon seit einiger Zeit investiert Google in verschiedene Machine-Learning-Technologien, in die Soto während seiner Session einen kurzen Einblick gewährte. So arbeitet Google etwa an RankBrain, einem Deep-Neural-Netzwerk für das Suchmaschinenranking, Smart Reply für die Gmail-Inbox oder der Verbesserung von Google Translate mit Machine-Learning-Technologien. Außerdem kommen entsprechende Technologien in Google Photos zum Einsatz, die vor allem im Bereich Bilderkennung nützlich sind.

Insgesamt kommen Machine Learning und (Deep) Neural Networks in mehr als 60 von Google entwickelten Produkten zum Einsatz, darunter etwa auch Android oder YouTube.

Machine Learning APIs und Customizable Produkte für Data Scientists

Google arbeitet sowohl an Machine-Learning-APIs, die leicht zu nutzen und auch für User ohne ML-Experience bedienbar sind, als auch an Customizable Produkten, die sich speziell an Data Scientists richten. Alle von Soto vorgestellten APIs stehen aktuell als Public Beta zum Testen zur Verfügung.

Dazu gehört etwa das Cloud Vision API zur Image-Analyse mithilfe von vortrainierten Modellen, das Cloud Speech API, das eingegebene Audio-Dateien in Text umwandelt und das Cloud Natural Language API, das eingegebenen Text als Analyse-Ergebnisse zurückgibt.

Zu den wichtigsten Produkten für Data Scientists gehört das im November 2015 vorgestellte TensorFlow. Dabei handelt es sich um eine Open-Source-Library für Machine Intelligence, die sich sowohl durch ihre Flexibilität als auch ihre Skalierbarkeit auszeichnet. So können Modelle etwa auf Mac/Windows sowie GPU-Servern oder GPU-Clustern beziehungsweise der GPU-Cloud trainiert werden.

Der große Vorteil von TensorFlow, so Soto, liegt auch darin, dass die Technologie einen leichten Einstieg in den Bereich Machine Learning/Machine Intelligence bietet. So brauchen User nicht zwingend Machine-Learning-Erfahrung, um TensorFlow zu nutzen; stattdessen hilft die Library beim Trainieren von Modellen und der anschließenden Analyse der Daten.

Damit bietet Google ein umfangreiches Angebot an Machine-Learning-Modellen und dürfte damit auch in Zukunft einen wichtigen Beitrag im Bereich Machine Intelligence liefern – auch außerhalb von hochwissenschaftlichem Kontext.

Go for PHP Developers

mit Terrence Ryan (google)

Everything you need to know about PHP 7.2

mit Sebastian Bergmann (thePHP.cc)

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -