機器學習其實沒想的那麼難，谷歌TensorFlow應用案例解讀

你可能會認為採用深度學習或機器學習（ML）技術意味著要僱用一批具有博士學位的尖端數據科學家，但其實這根本不是真的。創造新的深度學習模型和理論是很困難的，但使用現有的，流行的深層次的學習模型不是不可能。事實上，有經驗的IT工程師可以學習ML的基礎知識，包括如何整合和使用眾所周知的ML和深度學習演算法和技術來構建ML解決方案。簡而言之，企業的IT工程師可以接受培訓，成為機器學習工程師。

一家日本的汽車拍賣服務Aucnet就是這麼做的。Aucnet是世界上最大的實時拍賣服務提供商之一，每年處理400萬次拍賣。其中一個痛點是圖像分類。進入單車拍賣需要從各種角度上傳20張照片，如前視圖，側視圖，輪胎，手柄，座位等。這個耗時的任務可能需要20分鐘。

用於二手車拍賣的汽車圖像識別系統。

通過培訓其IT工程師在機器學習的基礎知識，Aucnet能夠建立Konpeki（https://konpeki.io/演示），這個實時汽車圖像識別系統來自於谷歌的開源機器學習庫TensorFlow。

通過TensorFlow社區，Aucnet能夠與機器學習專家聯繫，以幫助追求完善機器學習解決方案。這種合作使得Aucnet能夠將現有的IT工程人員轉變為機器學習工程師，並為公司創造了寶貴的資產，從20年代開始，將製作汽車拍賣上市的時間縮短到僅僅三分鐘。Konpeki技術基於Google的ML API和Google Cloud服務，Aucnet可以應用雲機器學習引擎將ML培訓速度提高86倍。

機器學習分揀黃瓜

「ML的民主化」的另一個例子來自日本汽車工業的前嵌入式系統設計師Makoto Koike。大約一年前，當他看到父母的黃瓜農場所面臨的分揀工作時，被大小，形狀，顏色和其他屬性排列黃瓜所需的工作量驚呆了。Makoto非常快地認識到分類黃瓜與其實際生長一樣的困難和棘手。Makoto說， 「每個黃瓜都有不同的顏色，形狀，質量和新鮮度，」。

Makoto與他的父母在家庭黃瓜農場

Makoto探索機器學習排序黃瓜的想法來自於谷歌的AlphaGo。Makoto說，「當我看到谷歌的AlphaGo，我意識到這裡真的很重要，這是我開始用深度學習技術開發黃瓜分揀機的原因。」

計算機可以真正學習黃瓜分類的技巧嗎？ Makoto開始看看他是否可以使用深度學習技術來使用TensorFlow進行排序。Makoto說，「當谷歌剛剛開放了TensorFlow，我開始嘗試用黃瓜的圖像，，這是我第一次嘗試機器學習或深度學習技術，而且準確度要高於我的預計，這讓我有信心可以解決我的問題。」

黃瓜分揀機系統圖

Makoto使用樣本TensorFlow代碼Deep MNIST for Experts，改變了網路設計，以適應黃瓜圖像的像素格式和黃瓜類的數量。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！