【机器学习其实没想的那么难，谷歌TensorFlow应用案例解读】
你可能会认为采用深度学习或机器学习（ML）技术意味着要雇用一批具有博士学位的尖端数据科学家，但其实这根本不是真的。创造新的深度学习模型和理论是很困难的，但使用现有的，流行的深层次的学习模型不是不可能。事实上，有经验的IT工程师可以学习ML的基础知识，包括如何整合和使用众所周知的ML和深度学习算法和技术来构建ML解决方案。简而言之，企业的IT工程师可以接受培训，成为机器学习工程师。
一家日本的汽车拍卖服务Aucnet就是这么做的。Aucnet是世界上最大的实时拍卖服务提供商之一，每年处理400万次拍卖。其中一个痛点是图像分类。进入单车拍卖需要从各种角度上传20张照片，如前视图，侧视图，轮胎，手柄，座位等。这个耗时的任务可能需要20分钟。
用于二手车拍卖的汽车图像识别系统。
通过培训其IT工程师在机器学习的基础知识，Aucnet能够建立Konpeki（https://konpeki.io/演示），这个实时汽车图像识别系统来自于谷歌的开源机器学习库TensorFlow。
通过TensorFlow社区，Aucnet能够与机器学习专家联系，以帮助追求完善机器学习解决方案。这种合作使得Aucnet能够将现有的IT工程人员转变为机器学习工程师，并为公司创造了宝贵的资产，从20年代开始，将制作汽车拍卖上市的时间缩短到仅仅三分钟。Konpeki技术基于Google的ML API和Google Cloud服务，Aucnet可以应用云机器学习引擎将ML培训速度提高86倍。
机器学习分拣黄瓜
“ML的民主化”的另一个例子来自日本汽车工业的前嵌入式系统设计师Makoto Koike。大约一年前，当他看到父母的黄瓜农场所面临的分拣工作时，被大小，形状，颜色和其他属性排列黄瓜所需的工作量惊呆了。Makoto非常快地认识到分类黄瓜与其实际生长一样的困难和棘手。Makoto说， “每个黄瓜都有不同的颜色，形状，质量和新鲜度，”。
Makoto与他的父母在家庭黄瓜农场
Makoto探索机器学习排序黄瓜的想法来自于谷歌的AlphaGo。Makoto说，“当我看到谷歌的AlphaGo，我意识到这里真的很重要，这是我开始用深度学习技术开发黄瓜分拣机的原因。”
计算机可以真正学习黄瓜分类的技巧吗？ Makoto开始看看他是否可以使用深度学习技术来使用TensorFlow进行排序。Makoto说，“当谷歌刚刚开放了TensorFlow，我开始尝试用黄瓜的图像，，这是我第一次尝试机器学习或深度学习技术，而且准确度要高于我的预计，这让我有信心可以解决我的问题。”
黄瓜分拣机系统图
Makoto使用样本TensorFlow代码Deep MNIST for Experts，改变了网络设计，以适应黄瓜图像的像素格式和黄瓜类的数量。
苏公网安备 32021402001397号