超過1/3的組織相信資料分析和機器學習在未來3到5年內有最大的潛力明顯改變他們的經營方式。但是只有26%的組織是以數據驅動的。這個差距的最大原因之一是現今產生的大量數據是非結構化的，包含圖像、文件跟影片。據估計，這些非結構化數據佔了所有資料大約80%，至今還沒被組織使用。   Google資料雲端的其中一個目標是幫助顧客了實現所有種類和形式的資料價值。今年稍早，我們宣布BigLake，他統一數據湖和資料倉庫在一個管理框架，讓你可以透過BigQuery分析、搜尋、保護、管理和分享非結構資...

  前言 歐盟委員會提出，全球製造業正從工業 4.0 邁向工業 5.0¹，想在未來世界中勝出，光是提升營運效率與生產力還不夠，必須進一步強化在永續營運、以人為本跟韌性企業的表現，極大化智慧製造成效。   根據歐盟委員會指出，Industry 5.0 強調的是永續營運、以人為本跟營運韌性，具體實踐方式有四：首先是透過數據分析跟人工智慧等數位科技優化營運流程、掌握供應鏈動態以提升營運韌性；其次是以循環經濟方式加速轉型以優化資源使用、落實永續經營；再來為導入以人為本的數位科技，以及...

現今，製造業正在數位轉型之路上前行，投資於雲端與人工智能等新技術，以增強競爭力並持續成長。根據 McKinsey 的數據，約略三分之二的製造業已經使用雲端解決方案。然而，分析師表示，將數位轉型專案從POC(概念驗證)擴大至生產的實際工作對於其中大多數人來說仍然是一個挑戰。 我們認為，可擴展性的挑戰圍繞在兩個因素——缺少情境操作的資料，以及缺乏在工廠中應用複雜數據科學和人工智慧工具的技術。 為確保製造業能將數位化轉型擴大至生產，Google Cloud 宣布全新製造業解決方案，專為滿足製造業的需求...

數位媒體發行業者為了滿足客戶需求，正在重新改造他們的使用者經驗。尤其是在以智慧型裝置進行多重任務、隨時隨地、或交流互動時，讀者們正在尋找消化理解內容的替代方式。 為了適應讀者愈加複雜的期望，諸如圖解資訊、照片故事、播客、有聲書、視覺敘事和社群媒體限時動態，這些僅僅是新興內容類型的其中一些例子。 在 AWS 機器學習部落格上的這篇文章中，我們展示了如何使用 Trinity Audio 的 WordPress 外掛程式自動將語音轉換成部落格文章發表。以此為基礎，在本篇指南中，我們將向您展示如何使用亞...

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...

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？ ...

這兩天 Google Cloud 正式發表的 AutoML 人工智慧技術平台在科技媒體引起了不少關注，其實在我看來，這個東西的威力還遠遠超出大家的想像，我把自己的想法整理成幾個重點跟大家分享 (自我揭露：愛卡拉旗下的「iKala Cloud」是 Google Cloud 的首席合作夥伴 https://goo.gl/WYPNu7)： 機器學習重裝武器：AutoML，帶來的五大產業性改變 1. 以 AI 協助企業決策 AutoML 最大的突破性和破壞性在「用 AI 協助企業做決策」這個領域，將為這...

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...

廣告數據一把抓！cacaFly 結合 Google Cloud 飛越極限部署全球 取得 Facebook、Line、Google 等多家大廠數位廣告代理的 cacaFly，隸屬於雲沛創新集團 (funP Innovation Group)，集團內的 TenMax 透過掌握各家內容出版平台(publisher) 的流量並計算分析其 log，協助客戶做廣告投放及內容推薦，是數據廣告產業的指標性企業。 cacaFly 早期就選擇將服務部署上雲，在業務快速成長期間果斷搭配 Google Cloud 的大...

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...

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...

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，...

讓人工智慧變更好，加入 Google Crowdsource 貢獻你的智慧！ 自從去年 Google 將經營方針調整為 AI First 之後，不斷的推出了很多基於人工智慧、機器學習的應用服務，像是最近釋出的 Cloud AutoML 就是一個震撼彈，它將大幅降低人們進入深度學習的門檻。透過簡單的圖形化界面，非理工背景的使用者也可以輕易地將自己的訓練圖片上傳至雲端，透過 Google 強大的運算能力建立模型。 儘管目前可以依賴少量數據就建立出模型，不過對於資料研究的角度來說，能獲取大量數據是好事...

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，...

本文是多教程系列的第二部分，將展示如何透過 TensorFlow 和 Cloud ML Engine 部署機器學習 (ML) 推薦系統。在這個單元中，您將學習到：如何使用 GCP 中的 Cloud ML Engine 來訓練推薦系統，並調整其中的超參數。 這系列包括以下部分： 總覽 建立模型 (一) 如何在 TensorFlow 部署推薦系統：訓練和調校 Cloud ML Engine (二) (本教程) 運用 Google Analytics 數據 (三) 部署推薦系統 (四) 請先您閱讀系列...

本文是一系列教學的第三部分，向您展示如何利用 Google Cloud Platform(GCP) 中的 TensorFlow 和 Cloud Machine Learning Engine 實作機器學習 (ML) 推薦系統。本文將會介紹如何利用 Google Analytics 360 收集的數據，透過 TensorFlow 建模做到網站的內容推薦。 這一系列教學包含以下內容： 總覽 建立系統 (一) 訓練和調校機器學習引擎 (二) 運用 Google Analytics 數據 (三) (本教...

本文是教學系列的第四部分，教您如何在 TensorFlow 和 Cloud ML Engine 實行 machine learning (ML) 推薦系統。這個部分教導您如何在 GCP 上部署生產系統，並針對產品提供建議和定期更新推薦模型。 這個教學系列包括以下部分： 概要 創建模型 (第一部分) 訓練和調整 Cloud ML Engine (第二部分) 使用 Google Analytics 的數據來分析 (第三部分) 部署推薦系統 (第四部分) (本教程) 本教程中的推薦系統使用 WALS ...

隨著企業每年蒐集和分析的資料越來越多，傳統的基礎設施面臨挑戰，不僅是因為資料量變大，資料的來源也越來越多元，資料的內容和用途也和以往企業熟悉的不同。此外，內外部客戶期待能更快獲得成果，這也挑戰了傳統基礎設施的工具和實踐。 鑽研技術就是為了提供好的解決方案：將制式作業自動化讓您可以做更多更有價值的工作。雖然有許多方式可以做到這點，但人工智慧會是相對有價值的方法，尤其是機器學習，無論是公開使用或是依賴 ML 的省力工具或服務。 Urs Hӧlzle 是 Google 早期傑出的一位工程師，他現在負責...

之前的文章簡介了 AI、機器學習與深度學習。接下來我們會以生活化的情境說明傳統機器學習的方法。本篇首先介紹傳統機器學習中的「監督式學習」。 回顧之前文章提到的監督式與非監督式學習，兩者最大的差異在於資料是否預先被標註；如果有，則可說這個題目屬於監督式學習。演算法會由標註好的訓練資料學習並建構模型，以確定該給測試資料哪種標記。如 GCP 專門家開發的柴犬秋田辨識器，就是藉由已標記的資料去訓練模型。 監督式學習：迴歸 vs 分類 監督式學習最常處理的兩個問題：迴歸、分類。當你預測的目標為連續的數值，...