Machine learning e intelligenza artificiale sono oggi due forti propulsori della digital transformation ma che per richiedono grandi investimenti da parte delle imprese per essere messi in campo.

Sono infatti ancora poche le aziende nel mondo che ad oggi possono accedere alle risorse finanziarie necessarie per poter sfruttare gli avanzamenti tecnologici in questi ambiti, così come scarseggiano gli ingegneri specializzati in grado di creare modelli di machine learning avanzati.

Il team Google Cloud AI è da tempo al lavoro per superare questi limiti: abbassare le barriere d’ingresso ed ampliare la comunità di sviluppatori, ricercatori e imprese è infatti è l’obiettivo che il team si è posto. E lo sta facendo attraverso la creazione di modelli di machine learning pre-istruiti tramite API che svolgono compiti definiti.

Molti progressi sono già stati fatti in questi direzione, come la realizzazione lo scorso anno del Google Cloud Machine Learning Engine, per aiutare gli sviluppatori con esperienza di machine learning a costruire modelli che funzionassero con ogni tipo di dati di qualunque dimensione.

Lo spiegano le due responsabili del team Cloud AI, Jia Li, Head of R&D, e Fei-Fei Li, Chief Scientist: “Abbiamo mostrato come i servizi moderni di machine learning, per esempio le API – incluse Vision, Speech, NLP, Translation e Dialogflow – potessero essere implementate su modelli già preparati, per rendere le applicazioni aziendali incredibilmente scalabili e veloci. Kaggle, la nostra comunità di data scientist e ricercatori di machine learning, ha superato il milione di persone. E oggi, oltre 10.000 imprese usano i servizi di Google Cloud AI, incluse aziende come Box, Rolls Royce Marine, Kewpie e Ocado”.

Jia Li, Head of R&D, e Fei-Fei Li, Chief Scientist, responsabili team Cloud AI
Jia Li, Head of R&D, e Fei-Fei Li, Chief Scientist, responsabili team Cloud AI di Google

Il gruppo annuncia ora un nuovo progresso messo in campo con il lancio di Cloud AutoML, una soluzione che aiuta le imprese con limitata esperienza specifica a costruire i propri modelli di machine learning di alta qualità, sfruttando tecniche avanzate come learning2learn e transfer learning da Google.

La prima componente di Cloud AutoML è il servizio AutoML Vision, che rende più facile e veloce creare modelli ML di riconoscimento delle immagini. La sua interfaccia drag-and-drop permette di caricare facilmente le immagini, istruire e gestire i modelli, e applicarli direttamente su Google Cloud. Testato su dataset pubblici come ImageNet e CIFAR, Cloud AutoML Vision ha mostrato risultati più accurati delle generiche API di machine leraning.

AutoML Vision è il risultato della collaborazione con Google Brain e altri team di Google AI, ed è il primo di una serie di prodotti Cloud AutoML in fase di sviluppo.

“Anche se siamo ancora all’inizio del nostro impegno per rendere l’IA più accessibile a tutti, siamo ispirati da ciò che sono già riusciti a fare gli oltre 10.000 clienti che utilizzano i prodotti di Cloud AI”

Accuratezza, rapidità e semplicità di utilizzo sono i principali plus della soluzione: Cloud AutoML Vision si basa infatti sugli approcci di riconoscimento delle immagini più importanti di Google, tra cui il transfer learning e le neural architecture search technologies per un modello più accurato anche nel caso di aziende con una limitata esperienza di machine learning. Il prodotto permette inoltre di creare un modello semplice in pochi minuti e usarlo come prototipo su un’applicazione, oppure creare un modello completo e pronto per la produzione nel giro di un giorno.
La semplice interfaccia grafica consente di indicare i dati da utilizzare, per poi trasformarli in un modello personalizzato per le esigenze specifiche.

Effetti su business e operatività

Come Urban Outfitters, che alla costante ricerca di nuovi modi per migliorare l’esperienza di acquisto dei clienti e bypassare la complessa attività di creazione manuale di set sulle caratteristiche e suggerimenti pertinenti sui prodotti, risultati di ricerca accurati e filtri utili, ha preso in considerazione Cloud AutoML.
“Per automatizzare il processo di attribuzione delle caratteristiche dei prodotti – spiega Alan Rosenwinkel, Data Scientist di URBN, – distinguendo tra categorie non sempre chiare, come i pattern e le scollature il nostro team ha preso in considerazione Cloud AutoML, che ci permette di aiutare i nostri clienti attraverso suggerimenti migliori, proposte affini ed esperienze di ricerca.”.

Cloud AutoML - applicazione del modello di flusso
Cloud AutoML – applicazione del modello di flusso

 

A servirsi della nuova tecnologia è anche Disney Consumer Products e Interactive Media: “La tecnologia di Cloud AutoML ci aiuta a costruire modelli visivi che riconoscono, per ogni prodotto, i personaggi Disney a cui fanno riferimento, le caratteristiche principali e i colori. Queste descrizioni vengono integrate nel nostro motore di ricerca per migliorare l’esperienza dei clienti attraverso risultati più pertinenti e più rapidi, e attraverso suggerimenti di acquisto su shopDisney.” spiega Mike White, CTO e SVP della società.

Tra le realtà utenti, anche Zoological Society di Londra (ZSL), un ente internazionale dedicato alla conservazione mondiale degli animali e dei loro habitat, per cui è indispensabile monitorare i gruppi che vivono in natura, così da raccogliere informazioni sulla loro distribuzione e per capire l’impatto che gli esseri umani hanno sulle diverse specie. Per fare questo, ZSL ha posizionato una serie di trappole fotografiche in natura, che si attivano con il calore o con il movimento quando passa un animale e danno vita a milioni di immagini da analizzare manualmente e annotate, processo laborioso e costoso.

“L’Unità di Conservation Technology di ZSL ha collaborato fianco a fianco con il team CloudML di Google per dare forma e sviluppare questa sorprendente tecnologia – spiega Sophie Maxwell, Conservation Technology Lead, Zoological Society di Londra – e ZSL la utilizzerà per automatizzare l’annotazione di queste immagini con un taglio sui costi, così da poter effettuare implementazioni su larga scala e acquisire una comprensione più profonda delle modalità di conservazione della fauna selvatica nel mondo.”

© RIPRODUZIONE RISERVATA