Google, Simple ML for Sheets ile makine öğrenimini çevrimiçi e-tablolara taşıyor


Vatandaş geliştiricilerin becerilerini artırarak ve ölçeklendirerek başarılı bir şekilde yenilik yapmayı ve verimliliğe nasıl ulaşılacağını öğrenmek için Low-Code/No-Code Summit’teki isteğe bağlı oturumlara göz atın. İzle şimdi.


Elektronik tablolar, her boyuttaki kuruluş tarafından her tür temel ve karmaşık görev için yaygın olarak kullanılmaktadır.

Basit hesaplamalar ve grafikler uzun süredir elektronik tablo deneyiminin bir parçası olsa da, makine öğrenimi (ML) öyle değil. Elektronik tablo kullanımının her tür kullanıcı tarafından erişilebilir olması amaçlanırken makine öğrenimi genellikle kullanılamayacak kadar karmaşık olarak görülür. Google şimdi Google E-Tablolar çevrimiçi elektronik tablo programı için bu paradigmayı değiştirmeye çalışıyor.

Bugün Google, beta sürümünün duyurusunu yaptı. E-Tablolar eklentisi için basit makine öğrenimi. Google E-Tablolar, kullanıcıların uygulamada bulunan varsayılan işlevselliği genişleten eklentilerden yararlanmasını sağlayan genişletilebilir bir mimariye sahiptir. Bu durumda, Google E-Tablolar, Google’ın ilk olarak açık kaynakta geliştirdiği makine öğrenimi teknolojisinden yararlanır. Tensor Akışı proje. Simple ML for Sheets ile Google, hizmeti olabildiğince kolay erişilebilir olacak şekilde geliştirdiğinden, kullanıcıların belirli bir TensorFlow hizmetini kullanmasına gerek kalmayacak.

Google AI geliştirici savunucusu Luiz Gustavo Martins, VentureBeat’e “Her şey tamamen kullanıcı tarayıcısında çalışıyor” dedi. “Verileriniz Google E-Tablolar’dan ayrılmaz ve modeller daha sonra tekrar kullanabilmeniz için Google Drive’ınıza kaydedilir.”

Etkinlik

Akıllı Güvenlik Zirvesi

Yapay zeka ve makine öğreniminin siber güvenlikteki kritik rolünü ve sektöre özel vaka incelemelerini 8 Aralık’ta öğrenin. Ücretsiz geçişiniz için bugün kaydolun.

Şimdi üye Ol

Kutsal sayfalar, Google’ın Simple ML’si e-tablolarımla ne yapabilir?

Peki, E-Tablolar için Basit ML ne yapabilir? Google tarafından vurgulanan beta sürümündeki başlangıç ​​görevlerinden ikisi, eksik değerleri tahmin etme veya anormal olanları tespit etme becerisini içerir. Martins, bu iki başlangıç ​​görevinin, makine öğrenimi sularını test etmek ve makine öğreniminin işlerine nasıl fayda sağlayabileceğini keşfetmek isteyen herkes için kolay olduğunu söyledi.

Martins, başlangıç ​​görevlerinin ötesinde, eklentinin modelleri eğitmek ve değerlendirmek, tahminler oluşturmak ve modelleri ve tahminlerini yorumlamak gibi diğer birkaç yaygın makine öğrenimi görevini desteklediğini belirtti. Ayrıca Simple ML, modelleri TensorFlow’a aktarabildiğinden, programlama deneyimi olan kişiler mevcut ML altyapıları ile Simple ML modellerini kullanabilirler.

Simple ML for Sheets ile makine öğrenimi karmaşıklığının zorluklarını aşmak

Google E-Tablolar kullanıcılarının Simple ML olmadan ML’den faydalanması mümkündür, ancak meslekten olmayan kişiler için bu kolay olmayabilir.

Google’da yazılım mühendisi olan Mathieu Guillame-Bert, VentureBeat’e “Makine öğrenimi olmayan uygulayıcıların makine öğrenimini kolayca kullanması için bilgi ve rehberlik eksikliğini başlıca faktörler olarak belirledik” dedi. “Python’daki TensorFlow gibi klasik bir makine öğrenimi aracı kullanmak, boş bir sayfanın önünde olmak gibidir.”

Guillame-Bert, klasik bir ML aracı kullanmanın, diğer şeylerin yanı sıra kullanıcının programlamayı, ML problem çerçevelemeyi, model oluşturmayı ve model değerlendirmeyi anlaması gerektiğini söyledi. Bu tür bilgilerin genellikle dersler yoluyla veya uzun bir süre kendi kendine öğretilerek edinildiğini belirtti.

Buna karşılık Guillame-Bert, Simple ML’nin etkileşimli bir anket gibi olduğunu söyledi. Kullanıcıya rehberlik eder ve yalnızca elektronik tablolar hakkında temel bilgileri varsayar.

Simple ML’yi güçlendirmek için karar ormanlarını kullanma

Martins, Simple ML eklentisinin, kaputun altında, Yggdrasil Karar Ormanları kitaplığı. Bu, güç sağlayan aynı kitaplıktır. TensorFlow Karar Ormanları.

Martins, “Bu nedenle, bir kez eklenti konusunda eğitim alan ileri düzey kullanıcı, modeli Google Cloud’da TensorFlow Serving gibi herhangi bir TensorFlow Serving yönetilen hizmetine aktarabilir,” dedi.

Guillame-Bert, TensorFlow Karar Ormanlarının (TF-DF) yeni modelleri eğitmek için bir algoritmalar kitaplığı olduğunu açıkladı. Yani kullanıcı TF-DF’ye örnekler veriyor ve karşılığında bir model alıyor. TF-DF’nin önceden eğitilmiş modellerle gelmediğini belirtti; ancak TF-DF, TensorFlow ekosistemlerine entegre olduğundan, ileri düzey kullanıcılar Karar Ormanları ile önceden eğitilmiş modelleri birleştirebilir.

Göre yayınlanmış araştırmaRastgele Ormanlar ve Gradient-Boosted Trees kavramlarına dayanan TF-DF’nin arkasındaki teknoloji, modelleri bir elektronik tablo gibi bir tablo veri kümesi üzerinde eğitmek için son derece iyi çalışıyor.

Guillame-Bert, Google’ın eklentinin kullanılabilirliğini daha da geliştirmek için çalışacağını söyledi. Google ayrıca Simple ML for Sheets’e kullanıcıdan herhangi bir ML bilgisi gerektirmeyen yeni yetenekler eklemeyi planlamaktadır.

Guillame-Bert, “Dahili testler sırasında, kullanıcılar arasında popüler olacağını düşündüğümüz çok talep edilen birkaç görev belirledik” dedi. “Bu görevleri önceliklendirmek ve tasarlamak için bu halka açık lansmandan geri bildirim almayı umuyoruz.”

VentureBeat’in misyonu teknik karar vericilerin dönüştürücü kurumsal teknoloji ve işlemler hakkında bilgi edinmeleri için dijital bir şehir meydanı olmaktır. Brifinglerimizi keşfedin.


Kaynak : https://venturebeat.com/ai/google-brings-machine-learning-to-online-spreadsheets-with-simple-ml-for-sheets/

Yorum yapın

SMM Panel PDF Kitap indir