Kan AutoML Vision anpassas för att analysera annan data än bilder?

/ / Publicerad i Artificiell intelligens, EITC/AI/GCML Google Cloud Machine Learning, Framsteg i maskininlärning, AutoML Vision - del 1

AutoML Vision är en maskininlärningsprodukt utvecklad av Google Cloud, specifikt utformad för att bygga anpassade modeller för att klassificera, detektera och tolka bilddata. Dess kärnfunktionalitet är centrerad kring att automatisera processen att träna, utvärdera och distribuera djupinlärningsmodeller för bildbaserade uppgifter, såsom bildklassificering, objektdetektering och bildsegmentering. För att undersöka om AutoML Vision kan användas anpassat för att analysera andra datatyper än bilder är det nödvändigt att undersöka dess arkitektur, inmatningsmodaliteter och det bredare sammanhanget för Google Clouds AutoML-erbjudanden.

AutoML Vision: Omfattning och design

AutoML Vision bygger på automatiserad bildanalys. Dess användargränssnitt, datainmatningsmekanismer, förbehandlingssteg, modellarkitekturer och utvärderingsmått är alla anpassade för visuell data. Tjänsten förväntar sig indata i form av bildfiler (t.ex. JPEG, PNG) och motsvarande etiketter för övervakade inlärningsuppgifter. Användaren laddar upp bilddataset via Google Cloud Console eller API, anger önskad uppgift (klassificering eller objektdetektering), och systemet hanterar datadelning, funktionsutvinning, modellval, hyperparameterjustering och träningspipeline utan att kräva djupgående maskininlärningsexpertis från användaren.

Den underliggande teknikstacken använder faltningsneurala nätverk (CNN) och relaterade arkitekturer, vilka är särskilt skickliga på att extrahera funktioner från rumsligt korrelerade data, såsom pixelmatriser i bilder. Utdata från AutoML Vision är vanligtvis en tränad modell som kan användas för att förutsäga bildklasser eller avgränsningsrutekoordinater för dolda bilder.

Analys av datatyper

Med tanke på AutoML Visions designspecificitet är dess användbarhet begränsad till bilddata. Att försöka mata in data som inte är bilddata (såsom tabelldata, tidsseriedata, ljudfiler eller textdokument) skulle resultera i inkompatibilitet på flera lager, från datainmatning till modellbearbetning. Systemet tillhandahåller inga mekanismer för parsning, funktionsutveckling eller modellering på data som inte är bilddata.

Anta till exempel att en användare försöker ladda upp en CSV-fil som representerar tabelldata (t.ex. kundtransaktioner eller sensoravläsningar) till AutoML Vision. Tjänsten skulle inte acceptera detta format eftersom den inte känner igen det som en giltig bildinmatning. Även om tabelldata på något sätt konverterades till ett bildformat (t.ex. genom att rendera en värmekarta eller ett diagram och spara det som en PNG), skulle den semantiska betydelsen av data inte bevaras, och de tränade modellerna skulle inte vara lämpliga för de ursprungliga analytiska målen som är associerade med tabelldata.

På liknande sätt kräver ljuddata (som tal eller omgivningsljud) eller textdata (dokument, e-postmeddelanden, inlägg på sociala medier) specialiserad förbehandling och modellarkitekturer. Även om det finns forskningstekniker som konverterar ljudsignaler till spektrogrambilder för CNN-baserad analys eller kodar textdata som bildliknande matriser, stöds dessa metoder inte direkt av AutoML Vision, och deras implementering skulle kräva en anpassad förbehandlingspipeline utanför produktens avsedda användningsområde.

AutoML-familjen: Modaliteter bortom bilder

Även om AutoML Vision är begränsat till bilddata, omfattar Google Cloud AutoML en uppsättning produkter, som alla är skräddarsydda för olika datatyper:

1. AutoML-tabellerUtformad för strukturerad, tabellformad data som kalkylblad, databaser och CSV-filer. AutoML Tables tillhandahåller automatiserad funktionsutveckling, modellval (inklusive gradientförstärkning, slumpmässiga skogar och neurala nätverk) och utvärderingsmått som är lämpliga för regressions- och klassificeringsuppgifter på tabellformad data.

2. AutoML Natural LanguageSpecialbyggd för textdata, med stöd för uppgifter som sentimentanalys, entitetsutvinning och textklassificering. Den använder modeller för naturlig språkbehandling (NLP) optimerade för tolkning på dokument- och meningsnivå.

3. AutoML Video IntelligenceAvsedd för videodata, vilket möjliggör uppgifter som videoklassificering, objektspårning och handlingsidentifiering. Den utnyttjar både temporala och rumsliga modelleringstekniker.

4. AutoML-översättningUnderlättar automatiserad träning av anpassade översättningsmodeller för textdata på olika språk.

Var och en av dessa AutoML-produkter delar det övergripande målet att demokratisera maskininlärning genom att automatisera de komplexa stegen som ingår i modellutveckling. Var och en är dock utformad för de unika krav och utmaningar som deras respektive datamodalitet medför.

Didaktiskt exempel: Användningsfall och produktval

Tänk dig ett företag som vill automatisera kvalitetskontrollen i en tillverkningsprocess genom att inspektera bilder av produkter för defekter. AutoML Vision är idealiskt för detta användningsfall, eftersom det kan tränas att känna igen subtila skillnader i produkters utseende och klassificera eller lokalisera defekter. Användaren laddar upp en märkt datauppsättning med produktbilder, och AutoML Vision hanterar träningen av en defektdetekteringsmodell.

Jämför detta med ett scenario där ett företag vill förutsäga kundbortfall baserat på strukturerad data som demografi, köphistorik och engagemangsstatistik. I det här fallet är informationen helt icke-visuell och representeras bäst i tabeller. AutoML Tables är det lämpliga verktyget, eftersom det kan bearbeta tabelldata, utföra automatisk funktionsutveckling (t.ex. hantering av saknade värden, kodning av kategoriska variabler) och välja optimala modeller för klassificering.

För ljudanalys, såsom klassificering av omgivningsljud eller transkribering av tal, tillhandahåller Google Cloud tjänster som Speech-to-Text och AutoML Natural Language (för textanalys efteråt), men AutoML Vision skulle inte vara lämpligt om inte ljuddata först omvandlas till ett bildformat (som ett spektrogram), och även då skulle resultaten i hög grad bero på lämpligheten av sådan funktionsteknik för det analytiska målet.

Tekniskt perspektiv: Varför AutoML Vision inte kan utökas till icke-bilddata

AutoML Visions arkitektoniska specialisering är förankrad i flera tekniska aspekter:

- DatainmatningslagerAutoML Visions API:er och användargränssnitt är utformade för att mata in bildfiler i specifika format. Det finns ingen möjlighet att analysera dataformat som inte är bildformat.

- Förbearbetning PipelineFörbehandlingsstegen är skräddarsydda för bilder, inklusive storleksändring, normalisering av pixelvärden och dataförstärkningstekniker som rotation, vändning och beskärning. Data som inte är bilddata gynnas inte av sådana transformationer.

- ModellarkitekturModellarkitekturerna (CNN, eventuellt med anpassade lager för detektion eller segmentering) är utformade för att utnyttja rumslig lokalitet och invarians i bilddata. Icke-bilddata, såsom en tabell över försäljningsregister, har inte dessa egenskaper och skulle därför vara illa lämpade för sådana modeller.

- Märkning och utvärderingMärkningsverktygen och utvärderingsmåtten (noggrannhet, precision, återkallelse för bildklasser; genomsnittlig precision för objektdetektering) definieras kring bildbaserade uppgifter.

- Export och distributionModeller som tränats i AutoML Vision exporteras i format som är lämpliga för bildinferens (t.ex. TensorFlow SavedModel, Edge TPU). Indatasignaturerna förväntar sig bilder som indata.

Av dessa skäl kan AutoML Vision inte anpassas för att analysera data som inte är bilddata utan att fundamentalt ändra dess infrastruktur för förbehandling, modellering och distribution, i vilket fall det skulle upphöra att vara AutoML Vision i sin nuvarande form.

Bästa praxis: Att välja rätt AutoML-produkt

När man närmar sig ett maskininlärningsproblem bör datatypen vägleda valet av lämplig AutoML-produkt:

– För bilddata (t.ex. fotografier, medicinska skanningar, satellitbilder): Använd AutoML Vision.
– För strukturerad tabelldata (t.ex. kalkylblad, databastabeller): Använd AutoML-tabeller.
– För fritt formaterad eller strukturerad text (t.ex. dokument, recensioner, e-postmeddelanden): Använd AutoML Natural Language.
– För videor (t.ex. övervakningsfilmer, sportinspelningar): Använd AutoML Video Intelligence.
– För översättningsuppgifter: Använd AutoML-översättning.

Att försöka använda en produkt utanför dess avsedda datamodalitet leder till suboptimala resultat, inkompatibilitetsproblem eller fullständiga misslyckanden med att bearbeta data.

Exempel på modellanpassning inom AutoML Vision

Även om anpassad användning inom AutoML Vision är möjlig i form av att definiera anpassade etiketter, specificera anpassade bilddelningar och justera utvärderingskriterier, är dessa anpassningar begränsade till bilddata. Till exempel kan en forskare som studerar växtsjukdomar ladda upp lövbilder kategoriserade efter sjukdomstyp och justera träningsvalideringsdelningen eller utöka bilder med domänspecifika transformationer (t.ex. justera färgkanaler för att simulera olika ljusförhållanden). Dessa anpassningar förbättrar modellens prestanda inom bildanalysdomänen men utökar inte produktens användbarhet till icke-bilddata.

Alternativa strategier för data som inte är bilddata

Organisationer som söker automatiserad maskininlärning för data som inte är bilddata bör använda lämplig AutoML-produkt eller överväga följande alternativ:

- Anpassad modellutvecklingOm datatypen eller uppgiften inte täcks av befintliga AutoML-produkter kan organisationer behöva utveckla anpassade pipelines med hjälp av bibliotek med öppen källkod (t.ex. scikit-learn, TensorFlow, PyTorch) eller andra hanterade tjänster som stöder bredare anpassning.

- DatatransformationI sällsynta fall kan data omvandlas till en bildliknande representation (t.ex. tidsseriedata konverteras till rekursionsdiagram eller Gramianska vinkelfält) och sedan bearbetas med bildbaserade modeller. Detta kräver dock betydande domänexpertis och noggrann validering för att säkerställa meningsfulla resultat.

- TredjepartslösningarDet finns AutoML-lösningar från tredje part (t.ex. H2O.ai, DataRobot) som erbjuder stöd för ett bredare utbud av datamodaliteter inom ett enhetligt gränssnitt.

AutoML Vision är konstruerat för automatiserad maskininlärning endast på bilddata och kan inte anpassas för att analysera datatyper utanför den visuella domänen. För data som inte är bilddata, såsom tabelldata, textdata, ljuddata eller video, tillhandahåller Google Cloud dedikerade AutoML-produkter med skräddarsydda pipelines, gränssnitt och modellarkitekturer. Att välja rätt AutoML-produkt baserat på datatypen är avgörande för framgångsrika maskininlärningsresultat.

Andra senaste frågor och svar ang Framsteg i maskininlärning:

Se fler frågor och svar i Avancera i maskininlärning

Fler frågor och svar:

Taggad under: , , , , ,