AlloyDB 是什麼？ [1]   AlloyDB 是 Google 針對高可擴展企業資料庫工作負載需求，相容於 PostgreSQL 的資料庫服務，具有 Google 雲端基礎設施的優點，可橫向擴展運算與儲存，並支援 AI/ML 功能。  AlloyDB 處理交易工作負載的速度是標準 PostgreSQL 的 4 倍，分析性查詢的速度更是 PostgreSQL 的 100 倍。 透過兩個用於查詢模型的函數擴展 PostgreSQL 語法、最佳化與 pgvector 相容、並且與 V...

為了使開發人員能在快速變化的媒體環境中識別敏感內容，我們很高興地公開 PaLM 2  技術提供的文字審核功能，該功能可由 Cloud Natural Language API 取得。 由 Jigsaw 和 Google Research 合作構建的文字審核功能，可幫助企業掃描敏感或有害內容。 以下舉出幾個例子，示範文字審核服務的使用情境： 品牌安全：保護廣告主不受使用者生成的內容和出版商內容所認為的「不符合品牌安全」之處影響 使用者保護：掃描潛在的攻擊性或危害內容  減少生成式人工智能的風險：幫...

Duet AI 在 Google Cloud Security Command Center 中是一個持續運行的協作工具，為 Security Command Center 用戶提供生成式人工智慧支援，包括開發者和運營人員。為了提供一致的使用體驗，Duet AI 已嵌入到許多 Google Cloud 產品中。   Security Command Center 中的 Duet AI 可以協助用戶用自然語言了解 Security Command Center 中所掃描到的 Findin...

Google Workspace Duet AI 是 Google 推出的全新 AI 協作工具，可在 Google Workspace 應用程式中使用，包括 Gmail、Google 文件、Google 試算表、Google 簡報、Google Meet 和 Chat。Duet AI 採用 Google 最先進的生成式 AI 技術，能夠協助使用者在工作中更輕鬆、更有創意。 Duet AI 影片介紹: Introducing Duet AI for Google Cloud    Due...

Vertex AI 於 2021 被推出用來幫助快速追蹤 ML 模型開發和部署，從特徵工程到模型訓練到低延遲推理，所有都具備企業管理和監控。自從那時候，客戶像是 Wayfair、  Vodafone、  Twitter 和 CNA 用Vertex AI 加速他們的 ML 專案，我們也推出了數以百計的新功能。 但我們並未就此止步—Vertex AI 最近進行了迄今為止最大的更新。Vertex AI 中的生成式 AI 將能透過最簡單的方法提供團隊利用一系列的生成模型的資源。現在企業能在 Google...

我們推出 Google Workspace 的最初目的，就是讓使用者能與其他人即時協作。如今使用者更可以在協作的過程中獲得 AI 的協助，我們持續將生成式 AI 功能導入所有 Workspace 應用程式。這些功能不僅有助於撰寫文字、整理內容、產出可視化的內容、加快工作流程、提供更豐富的會議體驗，以及其他更多助益。這些都整合在 Duet AI for Google Workspace，可為您提供強大的全新工作方式。   今年 3 月，我們分享了 Google Workspace 邁入新...

雲端開發者們早已可以使用你們選擇的程式語言進行編碼，利用容器實現可移植性，透過無伺服器減少複雜性，並通過遵循 DevOps 原則管理整個軟體生命週期。然而，建立和引入新的雲端應用程序仍然需要大量的手動規劃與合成。你需要研究和計劃部署，創建可運作且安全的架構，當然，你需要實際撰寫程式碼。 在過去的幾十年裡，「自行開發」模式已經成為雲端科技發展的主流。開發人員擁有大量的選項，反而使開發變得更加複雜。雲端從感到興奮無比的領域變得有些讓人不知所措。你可能會想，如果開發人員能隨時隨地獲得所需幫助該有多好？...

2021 年對於客服中心來說是高風​​險的一年，許多組織被迫迅速擴大客服中心的運營規模，以應對持續的大流行中斷。我們感到自豪的是，對於 Google Cloud 的聯絡中心 AI (CCAI) 而言，2021 年也是令人驚嘆的一年，儘管環境充滿挑戰，但它幫助我們的客戶適應並茁壯成長。 從 1 月份開始，我們在 GA 推出了 Dialogflow CX。Agent Assist 預覽版於 5 月發布。最近，CCAI Insights GA 於 10 月在 Google Cloud NEXT 上發布...

GA 的 Vertex Pipelines，讓你可以快速可靠的複製、分享你的 ML 工作流程。身為 MLOps 的重點產品，可以用 Kubeflow Pipelines 和 TensorFlow Extended 定義你的管線流程；無伺服器的服務，讓你不需要預先準備或是手動擴展你的訓練機器。 擴展機器學習 (ML) 工作流程的最佳方法是將它們作為管線執行，其中每個管線步驟都是 ML 流程的不同部分。 管線是組織運作ML 工作流程的最佳工具，包含生產、分享和可靠地以及可重複使用 。 它們也是 ML...

幾乎所有公司都會面臨兩大挑戰：整理數據做出更明智的決策，以及為客戶提供更客製和便利的體驗。人工智慧 (AI) 可以提供幫助，但較難勾勒出 AI 應用於商業的輪廓。為了加速 AI 導入，Google Cloud 推出兩項重要的 AI 解決方案新功能： Contact Center AI (CCAI) Insights 目前已廣泛使用，提供開箱即用的自定義建模技術，使客服團隊能更快速的了解客戶交互數據。CCAI Insights 的擴展替 Google Cloud 中的 CCAI 解決方案 帶來深遠...

什麼是人工智慧、機器學習、深度學習？(一) 這系列 Machine Learning 教學文章，將帶您了解人工智慧、機器學習、深度學習的差異、該怎麼選擇資料訓練機器學習系統、以及機器學習系統又是如何被訓練的？ 人工智慧 (Artificial Intelligence) 什麼是人工智慧？ 人工智慧 (AI) 是能讓事物變更聰明的科技，我們可以這樣定義：「讓機器展現人類的智慧。」它是一個能讓電腦執行人類工作的廣義術語，而人工智慧的範圍眾說紛紜，隨著時間推衍產生更多的應用和變化。 人工智慧在哪裡？ ...

對於大多數企業來說，機器學習看似與火箭科學一樣需要大量資金和人才，而事實上也的確如此；若沒有適當的目標規劃，您很可能會耗費大量的資源。但幸運的是，現在借助雲端服務商，您就可以輕鬆、快速且有效益地為企業導入 AI 和機器學習了！這些雲端服務商提供現成的 AI 解決方案，讓您不必自行打造、從零建構 AI 服務，也能讓您以較小的規模，開始實作 AI 專案/產品，完成初步的概念驗證。 在這一系列文章，我們將介紹三大雲端服務商 (Google / Microsoft / Amazon) 的 AI 與機器學...

機器學習相關應用越趨明顯 現在各大產業紛紛開始導入人工智慧、機器學習的趨勢越趨明顯，然而企業欲打造整套方案，人力資源、研發以及時間成本都是考量的重點。只是人工智慧相關人才難尋且昂貴、同時新的工具、研發都需要大量的時間。在這快速的網路時代，已經不敷所需。(更新日期：2017.2.18) 現在 Google Cloud Platform 或許是您最佳的選擇，Google 強大的雲端服務不僅提供 IaaS、PaaS 甚至 Container 的服務外，人工智慧/機器學習的服務已經launch。Goog...

機器學習是什麼? 引起全球迴響的 ML 教學 這份簡報釋出後即引起世界各地極大的迴響，原因無他，作者用淺顯易懂的方式彙整了現今科技業的當紅炸子雞：AI、Machine Learning、Deep Learning，對初學者是非常合適的敲門磚。 如果您已經很熟悉這些議題，這份簡報也有依難易度做內容的區分，您可以透過閱讀藍色背景的簡報去學習更多更深入的應用。事不宜遲，趕緊來看看究竟是什麼樣的 ML 教學能引起全球廣泛的共鳴呢? (檔案較大，載入請稍作等候) (檔案原始連結：https://goo.g...

【應用】臉部辨識 - TensorFlow x deep learning (一) 在這一篇文章 中，您可以了解卷積神經網絡 (convolutional neural networks) 和其背後的理論。而本系列的文章將帶各位了解：如何運用 Tensorflow, Dlib, docker 和透過卷積神經網絡實作人臉辨識。 Overview ⬩ 臉部辨識簡介 ⬩ 使用臉部偵測和校正處理圖像 ⬩ 利用 TensorFlow 生成臉部嵌入 ⬩ 訓練 SVM 分類器 先決條件 ⬩ 了解線性代數的基本...

暨上一篇帶您了解人工智慧、機器學習、深度學習的差異後，這篇將進一步介紹該如何選擇正確且合適的資料來訓練機器學習系統。 特徵 / 屬性 (Features/Attributes) 我們透過特徵(又稱屬性) 來訓練機器學習系統。以水果為例，我們可以將水果的特徵分成重量和顏色，兩個特徵就意味著有兩個維度。如果我們用數字的方式來呈現，則可已被繪製在 2D 的象限上。 以下圖這個情況來說，ML 系統可以學會利用一條線將蘋果與橘子的資料分開。當我們輸入新的資料時，就可以運用它來做分類。(ex.) 在線上方的...

【應用】臉部辨識 - TensorFlow x deep learning (二) 上一篇文章帶您了解了人臉辨識的概念，在這篇文章中我們將實作處理數據、設置環境、得到初步的成果。 使用 Dlib 和 Docker 預先處理數據 # Project Structure ├── Dockerfile ├── etc │ ├── 20170511–185253 │ │ ├── 20170511–185253.pb ├── data ├── medium_facenet_tutorial │ ├── a...

GCP vs AWS vs Azure：Machine Learning 介紹 (一) 對於大多數企業來說，機器學習看似與火箭科學一樣需要大量資金和人才，而事實上也的確如此。「一切皆服務」的趨勢正逐步影響這個複雜的領域，你可以在沒有太多投資的情況下快速啟動機器學習計劃。如果你是數據科學的新手，想先做初步的嘗試，這的確是正確的做法。 其中一個令人印象深刻的機器學習應用，是關於一個日本農民利用機器學習自動分類黃瓜，協助父母經營農園的故事。這不同於其他大型的企業，這個人既沒有機器學習的專業知識和預算，...

【應用】臉部辨識 - TensorFlow x deep learning (三) 上一篇文章帶您初步完成了人臉辨識的實作，現在來到了這系列的最終章，將介紹如何訓練分類器，並評估成果。 在 Tensorflow 創建嵌入 (Embeddings) 處理完數據之後，下一步就是產生每張人臉的嵌入(embedding)，而這些嵌入後續可以用來作為分類、回歸或叢集分析使用。 下載權重(Weights) 您將使用 Inception Resnet V1 作為卷積神經網絡。首先，創建一個文件來下載模型的權重...

GCP vs AWS vs Azure：Machine Learning 介紹 (二) 既上一篇介紹完機器學習即服務和 AWS 預測分析，現在我們將延續介紹 Google Prediction API, Google Machine Learning Engine, Azure Machine Learning Studio。 Google Prediction API Google 在兩個部份提供 AI 服務：給資料科學家使用的機器學習引擎、高度自動化的 Google預測 API。但 Goog...

機器學習系統是如何被訓練的？(三) 在了解 AI、Machine Learning、深度學習的差異以及如何選擇正確且合適的資料後，我們來看看機器學習系統是如何被訓練的吧！ 監督式學習 Machine learning program 提供了帶有標籤的訓練數據，它可以告訴系統如何對示例數據進行分類，舉例來說: 顏色 重量 標籤 紅色 200g 蘋果 橘色 300g 橘子 綠色 150g 蘋果 這裡的每一列數據，都是由我們告訴系統：在給定兩個輸入(顏色和重量)的條件下，預期的輸出標籤應該是什麼(是蘋...

Google, Microsoft 和 Amazon 機器學習圖片/影片辨識 API 的比較 (四) 在上一篇帶您了解 Google, Amazon, Microsoft 在文字分析和翻譯 API 上的差異後，這一篇將帶您了解在圖片和影片辨識的領域中，這三間大廠 API 的特性與優劣。 圖像與影像處理 APIs: Amazon Rekognition Rekognition API 用於圖像以及最近的影像識別任務。 這其中包括了： •  物件偵測和分類（查找和偵測圖像中的不同物件並定義它們是什麼...

IBM 及其他 AI 服務 - Google, Microsoft 和 Amazon 機器學習比較系列 (五) 在前幾篇文章，我們為 Google, Amazon, Microsoft 的機器學習服務都提供了相當詳細的說明，來啟動機器學習實作，並在公司基礎架構中部署經過訓練的模型。還有一些其他來自新創公司的 ML-as-a-service 解決方案，並受到 PredicSis 和 BigML 等數據科學家的認可。那知名的 IBM Watson Analytics 呢？ 對於商業預測，IBM Wa...

在架構推薦系統時，最重要的是開發演算法、讓演算法更理解使用者和項目，而非操作資料和架設 API。 這也就是為什麼我架了 TensorRec 框架，這個框架目的在簡化基於 TensorFlow 架設的推薦引擎的後勤工作，並讓開發者專注於更有趣的內容，像是：嵌入函數、損失函數和更強大的機器學習開發。 TensorRec 是一種推薦演算法，它有簡單的 API 可用於訓練和預測，類似於 Python 中常用的機器學習工具。它還可以讓你靈活地嘗試自己的嵌入/損失函數，使你可以架設一個適合了解特定使用者和項...

在本教程中，您將探索一個結構化數據集，然後為機器學習 (ML) 模型創建訓練和評估數據集。 這是一系列教程中的第一部分; 您可以繼續第二部分：訓練模型和第三部分：部署 Web 應用程序。 您可以使用 Google Cloud Platform (GCP) 的 Cloud Datalab 進行數據探索，並使用 Cloud Dataflow 來創建您的數據集。作為資料來源的數據集儲存在 BigQuery 中。 以下是教程的架構： 目標 使用 Cloud Datalab 探索公開數據集。 執行查詢以從...

這篇文章中，您將使用 TensorFlow 的 high-level Estimator API 創建一個寬且深的機器學習預測模型。您可以透過上一篇文章：數據分析和準備中所創建的 CSV 文件在 Cloud ML Engine 上訓練模型。 架構 這篇文章將使用下圖中虛線內的元件： 成本 這篇文章將會使用到以下需付費的元件，包含： Compute Engine Persistent Disk Cloud Storage Cloud ML Engine 根據這個定價計算器，假設您花一天使用這些元件...

繼機器學習與結構化數據系列第一篇介紹了如何準備數據及分析之後，此篇文章將接續上一篇，介紹如何訓練模型。 定義輸入列 您必須為 Estimator API 定義 serving_input_fn 函數。此方法定義列以用作預測服務的 API 請求的輸入。輸入列通常與 CSV 文件中的輸入列相同，但在某些情況下，您希望接受與您在模型訓練過程中使用的格式不同的輸入數據。 通過使用此方法，您可以將輸入數據轉換為與訓練期間使用的表單相同的表單。預測的預處理步驟必須與您在訓練中使用的預處理步驟相同，否則您的模...

透過這篇文章，您可以透過運行在  App Engine 上的 Web 應用程式來使用 Prediction API，以進行線上預測。這將是機器學習與結構化數據系列文章的最後一篇，將接續系列二的訓練模型。 架構 這篇文章將用到下圖中虛線內的元件： 部署在 App Engine 上的 Web 應用程式來提供線上預測，並根據母親的相關背景資料，來提供預測嬰兒的體重基本數據。而這篇 Web 應用程式將使用部署在第二篇系列文的 Prediction API 作為其後端基礎。Managed ML Servi...

本文的內容是由數個教程所組成的概述，此系列教程將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlow 和 Cloud ML Engine 實作推薦系統 (recommendation system)。 本文內容將涵蓋： 概述以矩陣分解為基礎的推薦系統理論。 描述如何使用加權交替最小平方法 (weighted alternating least squares - WALS) 來進行矩陣分解。 提供系列教程概述，並提供在 GCP 上實作推薦系統的逐步...

本文是系列教程中的第一部分，將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlow 和 Cloud ML Engine 來實踐機器學習 (ML) 的推薦系統。而這個部分會介紹如何在開發系統上安裝 TensorFlow 模型程式碼並在 MovieLens 的資料集上執行模型。 本教程的推薦系統使用加權交替最小平方 (WALS) 演算法，而 WALS 包含於 TensorFlow 程式庫中的 contrib.factorization package，...