技術部落格

集結國內外精選文章,掌握最新雲端技術新知與應用
Loading...
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...
自 2018 年 Google 在 Google Cloud Next 年會重磅推出 Cloud AutoML 技術,資料科學與 AI 普及化應用的時代已正式來臨。暨上篇工廠製程革新:AutoML Vision 如何優化製造業的目視檢測,改善品管?,本篇文章將進一步實際教學如何快速利用 AutoML Vision 提升 PCB 的瑕疵檢測精準度。以下教學,將以兩個 PCB 資料集,示範兩種不同模型的操作步驟:單一標籤分類模型(判斷是否有瑕疵)、物件偵測模型(判斷是否有瑕疵、偵測瑕疵處、判斷瑕疵類...
Google Cloud Next‘19 UK 剛於年底落幕,本篇文章將讓您快速瀏覽 Google Cloud 近期推出的重大功能及亮點。 搬遷、管理、現代化基礎架構 基礎架構是您的 IT 環境以及 Google Cloud 的基礎。先前 Google 推出了最新的通用型和負載優化型虛擬機系列,這意味著您可以搬遷和執行更多的應用程式,包括 3A 級遊戲、HPC 甚至是 SAP HANA。最近 Google 發布了許多功能能夠幫助您更快、更高效地使用它強固的網路基礎架構。 透過新推出的網路功能,透...
預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長,藉由讓生產系統更加可靠,來減少設備的停機時間。在本系列文的前 2 篇文章中(第一部分和第二部分在此,歡迎讀者閱讀),我們確定了企業可能會想部署預測系統的原因,並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中,我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中,建立一個完整的預測性維護參考解決方案,包括Cloud IoT Core、...
一篇文章帶您了解 AutoML, Cloud ML Engine, ML API  Google 在 1/17 重磅推出了極具破壞性的機器學習產品 Cloud AutoML,引起各大產業的驚呼(相關文章:Google 發表 Cloud AutoML,對產業帶來的五大突破性影響)。究竟 Cloud AutoML 是什麼? 它與先前 Google 推出的機器學習 Cloud ML Engine(現名為 Vertext AI)、ML API 產品有什麼不同? GCP 專門家將透過這篇文章帶您了解 Cl...
Google 在一年一度的 Google Cloud Next 大會上,重磅推出新一代機器學習產品:Cloud AutoML,大幅降低企業進入機器學習的門檻。以 Cloud AutoML Vision 為例,Google 在機器學習領域深耕已久,熟悉各種機器學習模型所適合分析的照片類型,即便您沒有足夠的機器學習開發人員,也可以透過 Cloud AutoML 訓練客製化模型! 這篇文章將帶您了解,如何快速啟用 Google 最新一代產品:Cloud AutoML。 (直接觀看案例介紹:一秒辨識屈中...
暨上一篇帶您手把手快速啟用 Google Cloud AutoML 後,這篇將帶您了解 Cloud AutoML 的實際應用案例。 (圖片摘自於網路) GCP 的 Machine Learning 產品線,自今年 1/17 發表了 Cloud AutoML 後,在客製化 (Cloud ML Engine) 與服務化 (ML API) 兩者之間多了另一個折衷選項 (延伸閱讀:Google 機器學習三大服務介紹與比較),讓沒有足夠的機器學習背景的開發人員,也可以透過 Cloud AutoML 來訓練...
機器學習技術快速演進,現在資料科學家已經能用更加精準的模型來處理各種難解的問題。然而,模型的複雜度與精準度直接相關,而這樣的複雜度又會使得調整模型更具挑戰性。為了解決這項挑戰,Google Cloud 於 2019 年 11 月推出 Explainable AI;此工具旨在幫助資料科學家除錯、改善模型效果並提供 insights,讓資料科學家使用上更方便。 了解模型如何運作,對有效且適當地導入 AI 來說相當重要。本篇文章將詳細介紹如何在 AutoML Tables 及 Cloud AI 平台 ...
上一篇文章,我們介紹了 Explainable AI,並使用公開資料集預測「自行車租賃的騎乘時間」。若您尚未閱讀,可以參考這篇部落格文章。 延續上篇介紹的內容,您還可以獲得關於部署到 AI 平台的客製化 TensorFlow 模型之解釋。以下我們會介紹如何利用將 AI Explanations 模型部署到 Google Cloud AI 平台,並用 What-If 將模型結果視覺化。 準備一個要部署的模型 當我們將 AI Explanations 模型部署到 AI 平台時,需要為模型選擇一個基準...
我們經常從企業客戶端聽到,他們需要導入像 AI 這樣的新技術來提高生產效率。事實證明,AI 的確能有效幫助製造業客戶實踐自動化的目視品管流程。 這些客戶告訴我們,他們希望使用 AI 解決方案來幫助他們提高品質控管和檢查的效率,進而提高整體品質。但是,有許多因素使他們難以防止瑕疵產品的發佈。此外,在製造過程中發現瑕疵的時間越晚,修復或更換所需的成本就越高。視覺檢測可以幫助製造業客戶,以較低的成本及早發現瑕疵,並以更創新的方式幫助企業革新其流程。點擊「閱讀全文」以了解更多。 半導體業:用 Googl...
近年來,名為工業 4.0 的現象持續在製造業帶動轉變:工廠變得越來越「聰明」。因此,工廠在獲得技術工具的情況下,努力提高生產率、營運效率與安全性。許多工廠都將新舊機器結合在一起,而使工廠更聰明的第一步,就是啟用「預測性維護(PdM)」。 「預測性維護」著重識別傳感器和產量資料中的固定模式,這些模式代表設備狀態的變化,通常是特定設備的磨損。借助預測性維護功能,公司可以確定資產的剩餘價值,並準確確定製造工廠、機器、元件或零件何時可能發生故障、需要更換。 本系列文章共 3 篇,在第一篇文章中,我們將解...
在系列文的第一篇中,我們為大家科普了預測性維護 (predictive maintenance) ;預測性維護會識別感應器和產量資料中的特定模式,這些模式會顯示設備狀況的變化(特定的穿戴式裝備)。借助預測性維護功能,公司可以確定資產的剩餘量,並準確預測機器、組件或零件何時可能發生故障需要更換。 在我們的系列文的第二篇,我們將解釋一些資料探索技術,對機器學習的類別進行比較,並以範例來探討執行「預測性維護」時的一些公式和指標。 一、資料探索 資料探索 (data exploration) 階段的目標...
Google 在一年一度的 Google Cloud NEXT 大會上正式推出新一代機器學習產品:Cloud AutoML,一次涵蓋了圖片辨識(Vision)、翻譯(Translate)、自然語言處理(Natural Language)三大範疇。這個能讓企業快速擁有客製化機器學習模型的產品,究竟解決了機器學習領域中的什麼問題、而近幾年人工智慧在紅什麼?就讓我們透過這篇文章一探究竟吧! 淺談「人工智慧」、「機器學習」與「深度學習」 如果要用一句話說明人工智慧、機器學習、深度學習的差異,我們可以說:...
隨著出版市場的快速發展,Forbes 經歷了重大的數位轉型改革,策略持續向「用戶為中心」靠攏,藉此洞察讀者、為出版內容做分析、評估與分類。Forbes 選擇與 Google 合作實現其數位轉型目標;包括使用 Google Analytics 360 來管理和追蹤內容,透過 Google Ad Manager 來提高廣告收入並使用創新的廣告解決方案,並於近期完成由 Forbes.com 遷移到 Google Cloud 的工作。 「Google 提供的核心平台,支援了我們的三大業務面向:內容、銷售...
回到頂端
This site is registered on wpml.org as a development site.