Cloud Computing


Künstliche Intelligenz as a Service

AI-Services und Machine Learning aus der Cloud

Dr. Klaus Manhart hat an der LMU München Logik/Wissenschaftstheorie studiert. Seit 1999 ist er freier Fachautor für IT und Wissenschaft und seit 2005 Lehrbeauftragter an der Uni München für Computersimulation. Schwerpunkte im Bereich IT-Journalismus sind Internet, Business-Computing, Linux und Mobilanwendungen.

Google Cloud Machine Learning

Das Hauptprodukt von Google's AI-Services ist die Cloud Machine Learning Platform. Sie besteht aus einer ganzen Reihe unterschiedlich ausgerichteter Dienste, die sich mit anderen Cloud-Plattformen von Google verbinden lassen. Über APIs können diese Services in eigene Unternehmens-Anwendungen integriert werden.

Über APIs lassen sich Google AI-Services in eigene Anwendungen integrieren.
Über APIs lassen sich Google AI-Services in eigene Anwendungen integrieren.
Foto: Google

Die APIs, die Google AI-Entwicklern anbietet, sind breit gefächert und eignen sich dafür, Anwendungen das Sehen, Hören oder Übersetzen beizubringen. Beispielsweise ermöglicht die Google Cloud Vision API Bildanalyse und die Google Cloud Speech API Spracherkennung. Mit der Natural Language API sind Textanalysen möglich und mit der Translate API Übersetzungen. In jedem Fall profitieren Entwickler von den Vorteilen von Googles eigenen Diensten. Allerdings sind sie damit auch auf die angebotenen Google-Services beschränkt.

Eigene Modelle für maschinelles Lernen lassen sich mit der Cloud ML Plattform erstellen und trainieren. Deren Verwendung erfordert allerdings gute Machine-Learning-Fähigkeiten. Basis dafür ist das ebenfalls von Google stammende Open-Source Framework TensorFlow. Die Bibliothek für maschinelles Lernen basiert auf einer Deep-Learning-Infrastruktur und macht das neuronale Netz damit allgemein verfügbar.

Zur Verbesserung der Prognosegenauigkeit gibt es eine Funktion namens HyperTune. Diese durchforstet die erstellten Modelle und verbessert automatisch die Vorhersagegenauigkeit. Weil Hypertune automatisch Parameter aufeinander abstimmt können Entwicklern ihre Modelle nicht nur besser machen, sondern diese auch schneller bauen.

Zur Datenverwaltung lassen sich Cloud StorageStorage, Cloud Dataflow und Cloud Datalab verwenden. Da Cloud ML deutlich mehr Kenntnisse im Bereich des maschinellen Lernens erfordert als andere Angebote hat Google den Professional Service "Machine Learning Advanced Solutions Lab" eingeführt, über den sich Interessenten beraten lassen können. Alles zu Storage auf CIO.de

Das von Google stammende Open-Source Framework Tensorflow ist die Basis von Cloud ML.
Das von Google stammende Open-Source Framework Tensorflow ist die Basis von Cloud ML.
Foto: Google
Zur Startseite