Siga o Olhar Digital no Google Discover
Técnicas de aprendizagem de máquina, que normalmente são usadas para treinar inteligências artificiais, costumam exigir enorme poder de processamento. Por isso, são relegadas geralmente a servidores ou supercomputadores. Mas hoje o Google liberou uma ferramenta chamada Tensor2Tensor que permite que mesmo PCs domésticos sejam usados para essas tarefas.
Ofertas
Por: R$ 37,92
Por: R$ 22,59
Por: R$ 59,95
Por: R$ 3.099,00
Por: R$ 3.324,00
Por: R$ 799,00
Por: R$ 241,44
Por: R$ 349,90
Por: R$ 2.159,00
Por: R$ 188,99
Por: R$ 45,00
Por: R$ 379,00
Por: R$ 1.239,90
Por: R$ 943,20
Por: R$ 798,99
Por: R$ 205,91
Por: R$ 476,10
Por: R$ 1.139,05
Por: R$ 949,00
Por: R$ 7,60
Por: R$ 21,77
Por: R$ 16,63
Por: R$ 59,95
Por: R$ 7,20
Por: R$ 139,90
Por: R$ 119,90
Por: R$ 398,99
Por: R$ 79,90
Por: R$ 199,90
O Tensor2Tensor (T2T) é um programa para treinar modelos de aprendizagem profunda no Tensorflow – o ambiente de aprendizagem de máquina no Google. Ele permite que algoritmos sejam treinados para tarefas como reconhecimento de imagens, criação de legendas, tradução e análise de texto. Ele foi disponibilizado em modelo open source, e seu código fonte já pode ser visto no GitHub.
Aprendizagem para todas as máquinas
Um dos principais destaques da nova ferramenta da empresa é que ela permite que os resultados obtidos por processos muito sofisticados de aprendizagem de máquina sejam replicados em sistemas muito mais simples. Por exemplo: num teste de tradução, o T2T conseguiu treinar um modelo de tradução a obter resultados semelhantes aos dos melhores sistemas com apenas um dia de treinamento em uma máquina com uma só placa de vídeo.
A disponibilização desse sistema é muito importante para universidades e outras instituições que fazem pesquisa com (ou sobre) modelos de aprendizagem de máquina. Isso porque esses modelos em geral exigem configurações muito específicas de máquinas para dar resultados, e uma variação mínima na configuração pode dar resultados muito diferentes.
Esse sistema facilita a reproução de resultados usando configurações de hardware diferentes. Ele também permite que um mesmo modelo seja testado com configurações diferentes, e que pequenas partes do modelo sejam alteradas para avaliar seu impacto individual no resultado final. Assim, é possível treinar modelos usado diferentes conjuntos de dados e diferentes configurações em menos tempo.