八大Google AI工具
毫无疑问，谷歌是IT世界中的绝对巨头。它为当今几乎任何可以想象的活动领域创建了各种软件工具。无论您想要什么，Google都有可能提供解决方案。不管是  智能语音助手还是智能购物清单，都没关系。认真地，甚至是特殊的流媒体平台，音乐工具和先进的文化应用程序-Google都重新发明了互联网并为用户提出了一个全新的生态系统。
但是，IT社区又如何呢？最有可能的是，将您的想法保存在Keep中，或者记住有关通过Calendar进行约会的方法，但是Google是否为程序员提供了任何软件？特别是，如果我们在谈论人工智能（比终结者1周年有更好的时刻吗？）。
幸运的是，Google关心那些对AI感兴趣的人。今天，我们将讨论该领域中最有趣的工具。本文将按可能对某些特定类型的工具感兴趣的人员类别进行分类。
对于开发人员
首先，我们可以找到软件开发。Google AI提供了各种工具来创建人工系统，神经网络和多层项目。让我们看看其中的一些。
TensorFlow（TF）
如果您想开发高精度且维护良好的机器学习（ML）系统， 则必须 了解  TF。这个开源ML包是为Google系统（即语音识别）创建的，但现在它的主要任务是帮助人工智能社区进行产品开发。以下是TensorFlow的一些基本优点：
强大且独立的机器学习生产；
用于实验目的的研究能力；
用于模型创建的简单高层层。
当然，如果您绝对是该领域的新手，那么开始TF可能会非常困难。但是，它具有广泛的社区，稳定且定期的更新（最近Google提供了2.0版本），以及免??费使用的产品完整代码。
目前，TensorFlow支持多种编程语言，但最基本的是Python。该软件包的主要优点-所有进程都在C ++模块上运行，这大大加快了速度，并且对于Python用户几乎是不可见的。此外，TF探索了机器学习世界中无所不能的“参与者”，并试图将这些项目纳入自身。最好的例子-Keras及其所有发行版。
该库允许创建动作图，其中每个节点（张量）以不同的形状存储数据并通过分支（流）发送数据。您可以预先设置所有变量和函数，最后仅在先决条件处理后运行项目。此外，TF还可以通过可视化工具管理和研究最终模型。换句话说，需要构建的系统越复杂，TensorFlow可能是解决方案就越频繁。
用例： 用于图像识别的深度神经网络。
假设您需要构建一个只能识别人脸的系统。很有可能会有一个体积数据库。因此，该模型可能很慢且不准确。TensorFlow可以允许以更高的性能完成此任务。
此外，可以创建任务执行所需的尽可能多的图层和感知器（图层的特殊节点）。首先，我们必须设置一个模型，然后初始化并启动它。如实践所示，如果数据集良好，则系统将非常好。TF支持图形可视化，以舒适地维护工作流。这在开发过程中可能非常有用。
ML套件
该工具可能对移动应用程序的创建者很有帮助。当您想制造出真正的大产品时，应考虑消费者的利益。最明显的方式是事件跟踪，调查等。Google针对这些功能提出了一种非常不错的工具：Google Firebase。它允许存储和处理大量用户数据，添加一些轻量级分析并与Big Query（数据仓库）和Google Data Studio（商业智能）同步。
但是，如果系统需要某种机器学习系统怎么办？ML Kit是这种情况下可能的解决方案之一。简而言之，它是一组用于最常见的移动应用程序目的的预定义API。无需照顾存储，编码技巧等。如果存在一个普遍的问题，则ML Kit可能已经解决了。但是，即使不是这样-工具也提供了基于TensorFlow构建自定义系统的功能。
ML Kit可以内置在应用程序中，也可以从某些云存储（Google Cloud）中调用。前者速度更快，并且可以在没有互联网连接的情况下工作。后者功能更强大，并且不会消耗太多电话资源。
这是一个真实企业项目的示例。该应用程序的主要思想-保存并推荐图库中最重要的照片。但是如何定义不同图片的重要性呢？Zyl的创作者决定在图片内部加上标签：面孔，微笑，动物等。
他们合并了已经可操作的用于图像检测的API，并且该机器学习模型将结果提高了50％。
Google开源
没有人喜欢安全的密码。开源是当前世纪最吸引人的哲学之一。如果您喜欢某些技术，但是看到了潜在的升级并且知道如何做-没问题，请访问完整的存储库，并进行分叉/分叉实验！另外，如果您共享升级的结果（而且还不错），那么广泛而活跃的社区总是可以提供一些建议，参与开发过程，甚至进行自己的升级。
Google通过此工具刺激了一些有趣且有用的项目的创建（有时甚至没有商业利益）。Code-In挑战，竞赛，广泛普及-只是冰山一角。
继续使用图像识别器的示例，请考虑该项目。主要目标-检测两张图片之间的差异。在某些视频压缩和有损图像评估中可能很有用。因此，我们不仅可以构建功能强大的图像检测系统，还可以了解数据集中一些精确样本的接近程度。同样，如果团队在开发过程中了解他们的代码可能有趣且有用，他们可以通过Google Open Source进行共享。
合作实验室
如果您熟悉Python，则可能听说过非常流行的学习工具  -Jupyter Notebook。它具有很好的说明性，支持各种附件和工具。但是总有一些东西需要升级。有时，共享文件和在一个文件中工作并不容易，因为应该正确安装库，应该解决语言依赖性等。因此Google在Google云端硬盘上建议了CoLaboratory-Jupyter。
主要优点-远程计算（不依赖于本地计算机），能够打开对开发文件的访问权限的能力。与其他任何Google文档类似，也有机会同时处理同一文件。最后的填充-用于许多常规任务的各种代码段。
用例：针对我们的图像检测巨头的详细教程。
好的，模型是准确的，效率得到了证明。但是，如果您有义务为此提供一些信息指南，该怎么办？使用CoLaboratory，这个问题一点也不难。可以使用具体位置的减价说明和特殊代码段制作教程。
最后，可以将测试结果可视化以用于研究目的。简而言之，有足够的条件来创建清晰易懂的指南。
对于研究人员
如前所述，开发人员拥有许多改善工作的工具。但是参与实际项目的大多数IT专家都会说，任何工作都是从研究开始的。Google也不会忘记IT的这一部分。即使在人工智能领域。
Google数据集
机器学习模型需要一个良好且平衡的数据集。模型调整和准备工作的大部分是处??理原始数据。因此，由于Google有许多不同且非常相关的数据集，因此有时使用它们非常有用。
实际上，有64个用于流行的ML任务的高级数据集。所有用户都需要使用它才能完成免费调查。之后，可以以某些广泛的格式（例如csv）下载数据。
在发现了多种强大的AI工具之后，可能需要一些测试数据。Google数据集提出了一些图像数据集，但这是最有趣的之一。让我们假设机器学习模型仅凭面部识别就可以了。但是这种模型并不是那么通用和灵活，特别是对于“模糊”图像。
Google的面部表情数据集具有超过500K的三元组（连续3张图像），其中两个具有相似的情感。它具有评估成对图像之间差异和相似性的能力。主要目标是进行动态表情比较，而不是简单的默认情感分类。
Google数据集搜索
有时，问题案例可能是非典型的。或者，例如，基本数据集不能完全满足请求的目的。即使在这种情况下，Google也会有所帮助。 通过Daasets搜索，几乎可以为几乎所有任务或查询找到最相关的大型数据集。
结果按相关性顺序排序（更多著名的网站，例如Kaggle，将在顶部），链接完全对应于描述并下载。请注意，此搜索引擎目前为测试版。
可能需要一段时间为模型提供新数据。因此，可以轻松找到一些有趣的人脸识别数据集并进行测试。例如，看一看用于从人脸图像中检测笑容的数据集。它可以检测图像上的笑容，并提高此类图像的准确性。
对于组织
产品越是商业化，专家系统的应用就越重要。这就是Google以非常积极和热情的方式在企业工具领域工作的原因。让我们考虑一些例子。
云端TPU
商业产品的主要目标是提高速度和减少本地资源。这是Google Cloud的地方。此类别中的所有工具都将在此域下。因此，我们将从戏剧性的计算“助推器”开始-云TPU（张量处理单元）。用简单的语言，它是完成一些性能显着提高的大型代码计算的方法。Google在一些最受欢迎的公司产品中单独使用了此工具：日历，Gmail等。有多个Tensor处理单元版本（功能和价格各不相同），因此公司可以根据自己的需要扩展其规模和功能。被需要。
这是在TPU上使用的图像检测模型的实际实现。 DNN 的基本原理是通过TensorFlow创建的，它响应图片识别。但是为了改善达到目标的时间（与较低的本地PC使用率相匹配），有一个Cloud TPU。因此，最终网络将变得更快，更健壮，效率更高。
云AI
该工具不是在提高生产率，而是在人工智能方面。样式与ML Kit足够接近：您可以使用一些现成的解决方案或提出一些独特的建议。但是，与第二种不同，Cloud AI在大型系统中运行（不仅在移动应用程序内部）。它提供了与更先进的技术进行交互的能力，而不仅仅是基本的ML解决方案。让我们看一下这个云工具的一些更详细的组件。
AI Hub-全面维护的人工智能端到端项目，各种工具进行更详细的调整，或使用组织内其他团队构建的一些AI模块并访问由Google AI，Google Cloud AI和Google发布的主题内容的管道云合作伙伴。
AI构建块-将视觉，语言，对话和结构化数据添加到自定义应用程序中。这些构建基块涵盖了广泛的典型用例和需求。例如，有建议AI，它可以帮助根据消费者的偏好创建高级咨询系统。该工具可以直接使用，只需在公司的产品上进行设置即可。
AI平台-代替以前的组件，该平台致力于直接开发“思维”计算机系统。在这里，工程师可以在便携式管道中（通过Kubeflow）构建自己的系统，并可以进一步在Google Cloud Platform上使用。该平台无需进行大量代码修改即可提供远程计算和训练新模型的能力。它支持许多用于全面项目同步的Google工具：Big Query，Google Cloud Platform，深度学习VM Imagee。成功建立之后，就有机会通过AI Hub共享模型。
Cloud AI中最有趣的项目之一  -Cloud AutoML。尽管它处于beta版本，但仅对于AutoML而言，其流行度正在增长。它是用于某些特定操作的一组机器学习工具，例如训练数据创建，AutoML转换，AutoML表。
简而言之，如果您需要一些远程且高效的人工智能项目-Cloud AI最有可能为大多数需求和要求提供全面支持。
这是人工智能构建块的一部分，代表了图像分割的预训练模型。它支持非常不同类型的框架和特性：REST API或AutoML接口，个人标签和图像或基本的深入见解或某些默认级别等。因此，公司可以尝试使用现成的解决方案，而不必尝试创建琐碎而简单的事情。不断地接受培训，并提供了大量有关图像/部分图像/人物/情感/等方面的信息。
结论
如您所见，Google不会花时间和精力在人工智能工具上。无论您是谁（或希望成为）：开发人员，研究人员，商业工作者，任何人都可以从中受益。这些产品涵盖了很大一部分商业和科学任务以及用例。
Google AI堆栈的主要优势在于彼此之间直接集成了所有工具。例如，这意味着数据可以存储在Big Query中，由自定义TF模型处理，由TPU增强，并通过AI Hub共享。
但是，上述工具并非全部可用。每天，开发人员和对ML感兴趣的人员都可以使用Google专家系统工具打开一些有趣的新功能。它不仅可以帮助他们改善软件开发和数据存储，而且可以创建更准确，更快捷的机器学习模型。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！