Никто не знает искусственный интеллект, искусственный интеллект и прогностические исследования так, как Google, и организации поспешили использовать облачную платформу Google, чтобы использовать передовые, но простые в использовании механизмы, которые позволяют им извлекать важные фрагменты знаний из огромных объемов информации. Google сообщает, что объем информационных служб сократился благодаря использованию BigQuery, его бессерверного хранилища данных, которое только за последний год увеличилось более чем на 300%.
Google недавно представил широкий спектр обновлений и новых инструментов для своих механизмов исследования информации, включая важные переходы к BigQuery ML, расширению для BigQuery, которое позволяет исследователям информации, способным со структурированным языком запросов (SQL), собирать и передавать ИИ. моделей, не требуя мастерства в области информатики или изучения диалектов программирования, например, R или Python.
Что такое BigQuery ML?
Выпущенная в конце весны 2018 года бета-версия BigQuery ML пытается сделать его более простым и доступным для использования ИИ, преодолевая любые проблемы между экспертами по информации и исследователями информации и избавляя от необходимости обмениваться информацией из центра распространения информации.
BigQuery ML привлекает клиентов к созданию и передаче моделей машинного обучения с использованием только фундаментальных выражений SQL, что позволяет им автоматизировать обычные задачи машинного обучения и настройку гиперпараметров. Поскольку BigQuery ML работает внутри BigQuery, он отсекает информацию непосредственно от источника, уменьшая многогранность и позволяя выполнять предвидящие исследования за небольшой промежуток времени, в отличие от традиционных платформ ML. Это также позволяет организациям проверять информацию, которую им законно запрещено отправлять и переформатировать, например, информацию о социальных услугах, защищенную HIPAA.
Google добавляет поддержку новых нелинейных моделей машинного обучения
В течение первых нескольких месяцев своего бета-тестирования BigQuery ML поддерживал только прямые и расчетные модели рецидивов, что ограничивало потенциальное использование инструмента в бизнесе. Google сообщил о помощи для дополнительных моделей, чтобы лучше удовлетворять требования своих клиентов, в том числе:
К-предполагает группировку (бета), которую можно использовать для разделения клиентов и обеспечения качества информации. Модель сочетает в себе числовые и всесторонние функции и поддерживает все основные типы информации SQL, включая ГИС. Во время конференции Google Cloud Next '19 в апреле веб-страница бронирования путешествий Booking.com продемонстрировала, как они использовали группировку k-implies и BigQuery ML, чтобы гарантировать, что их сайт возвращает точные результаты клиентам, которые ищут 176 предлагаемых измерений для явных улучшений гостиницы, например, микроволновая печь в номере или бесплатные туалетно-косметические принадлежности.
Факторизация сетки (частная альфа-версия), которую организации могут использовать для предложений элементов, координации предложений и сбора предложений, например, задача предложения фильмов Netflix.
Возможность создавать и напрямую импортировать глубокие нейронные системы с использованием TensorFlow (частная альфа-версия), которую Google недавно представила в виде устройства для конкурса NCAA March Madness, которое предсказывало, сколько трехочковых бросков сделает каждая команда. Google обнаружил, что непрямая модель машинного обучения была значительно более точной в прогнозировании трехточечных усилий ведущих групп.
Кроме того, Google объявила о новых схемах оценки модели в пользовательском интерфейсе BigQuery, а также о новых возможностях предварительной обработки. Последний элемент, доступный в закрытой альфа-версии, позволяет клиентам включать изменения во время создания модели и использовать возможности SQL для базовой предварительной обработки, связанной с машинным обучением.
BigQuery ML демократизирует машинное обучение
Как правило, использование ML для разбивки очень больших информационных коллекций требовало от клиентов навыков работы с системами ML и диалектами программирования в области информатики, например, R и Python. В конце концов, начинаниям требовались исследователи информации в штате, что было неблагоприятным препятствием для некоторых ассоциаций. Это также сдерживало развитие в организациях, которые использовали исследователей информации из-за складов между исследователями информации и клиентами, которые были ближе всего к информации и которые действительно понимали, какие механизмы требуются их предприятиям, исследователям информации.
Предоставляя инструменты машинного обучения экспертам в области информации, BigQuery ML устраняет эту брешь в обучении, демократизирует ИИ и способствует развитию. Исследователи информации могут создавать модели для облегчения авторитетных целей и заботиться о конкретных бизнес-проблемах, которые, как они знают, действуют как бремя.
Сейчас BigQuery ML все еще находится в стадии бета-тестирования, однако Google заметил, что скоро появится общая доступность, без сомнения, с дополнительными улучшениями и нововведениями по мере того, как бета-клиенты будут вносить свой вклад.
