準确度高达95%!Google最新机器学习应用:来自哪间连锁
作者: 点击:914 次
準确度高达95%!Google最新机器学习应用:来自哪间连锁
来自Ramen Jiro 不同分店的拉麵,餐点、碗筷与桌子几乎一样,却可以透过Google Cloud AutoML 所训练出来的模型辨认出来自哪间分店。

如果你是常常在网上搜寻好料的美食达人,那幺一张没有打卡或标记的食物照也许仍可一眼看出来自哪间餐听,对于餐厅来说将这些四散在网路上的自家餐点照片评价分类收录需要透过人力来审查相当费时,如何在街坊中形形色色的餐馆辨识出其为哪家店所拍摄?机器学习也许是个不错的方法。

近日 Google 在部落格发表的最新研究,研究人员使用 Google  AutoML Vision 对东京日本的拉麵连锁店的每个菜单进行分类。首先从 41 家连锁店每家分别收集 1170 张照片,并将 48,000 张拉麵照片的数据集提供给程式。电脑花费大约 24 小时完成 AutoML 的数据训练,最终此模型能够以 95%的準确度预测拉麵来自哪间分店。

準确度高达95%!Google最新机器学习应用:来自哪间连锁
使用 AutoML Vision 的拉麵二郎店分类矩阵图。

不过关于 AutoML 是如何检测拉麵的差异?研究员首先假设该模型透过分析碗或桌子的颜色或形状 ,不过很显然的它们是连锁餐厅使用的碗筷和桌子设计是一样的模型仍然可以準确辨别来源。研究人员 Kenji 认为该模型之所以达到高準确率,是因为区分出各家店肉块切面之间微小的差异,或是碗内摆放配料的方式些微差异。他将继续对 AutoML 进行测试来证明这项假设。

因此,Google 的 Cloud AutoML 提供企业品牌解决方案,透过机器学习辨识精準定位,对餐厅来说能有效触及更广大的消费者,未来可能运用的场景甚至能让用户在 Instagram 等社群软体查找未加注标籤的餐点之店家位置。

Google 机器学习运用在饮食生活的案例越来越具体,像是在韩国的外送服务龙头 yogiyo ,过去工作人员每天需审查超过 2000 张照片,而在这其中甚至还有 10% 的照片并非食物,在人力资源不足的情况下要人工审查的方式进行分类非常没效率,于是他们藉由 Tensorflow 和卷积神经网路的迁移式机器学习技术, 执行图像内容分析 ,让 2000 张美食照片审查分类的过程在 2 小时内完成, 并达到 94% 以上的準确度。

Google Cloud AutoML 提供客户简单、弹性、且优于产业安全标準的机器学习服务,让企业、开发者等客户可以在有限的人工智慧专家下训练出个人化的视觉模型,目前持续有越来越多公司投入开发资源,机器学习的具体应用将能为公司带来实质的效率提升。

上一篇: 下一篇:
猜你喜欢
热门排行
最新文章