重點新聞(1019~1025)

  同步翻譯    STACL

百度發表中譯英同步翻譯系統STACL


點擊看示範影片)

百度日前宣布開發出STACL系統,是第一款具預測功能和延遲時間可控的同步機器翻譯系統。百度指出,STACL象徵自然語言處理的重大突破,克服了源語和譯入語的語序問題,以及在現實世界中同步翻譯產生的時間差。一般來說,同步翻譯指的是,當講者開始說話後幾秒,譯者就開始翻譯。為克服翻譯時間差,百度使用wait-k模型,透過機器學習來預測譯入語接下來會出現的詞彙,讓STACL系統將翻譯延遲的時間減少為一秒不到。

此外,STACL系統還可以讓使用者設定延遲時間,比如延遲時間為一個單字或五個單字。百度指出,對中英翻譯來說,延遲時間稍長,翻譯的準確度也越高,因為系統所獲得的語境越完善、預測能力更好。不過,百度表示該系統仍在研究中,有其侷限性,也不打算用來取代人工翻譯。(詳全文)

  勞斯萊斯   無人航運 

勞斯萊斯與英特爾合作,以AI來開發無人航運系統

勞斯萊斯日前宣布與英特爾聯手,要共同開發精密複雜的智慧航運系統,旨在讓商業航運更安全。這套系統將配備資料中心,透過AI和複雜的邊緣運算技術,讓系統可獨立管理船隻導航、障礙物偵測,以及與不同單位溝通。勞斯萊斯提到,英特爾能提供開發智慧航運系統所需的技術支援,比如可用FPGA技術來實現船隻導航和障礙物偵測,或用Xeon Scalable處理器設計高效能運算系統,以便訓練機器學習模型、來支援全無人航運。(詳全文)

  Earth Lens    AI 

微軟Earth Lens用AI來識別衛星圖片中的物體

微軟車庫(Microsoft Garage)創意工廠的一群實習生,日前開發出一款名為Earth Lens的iPad專用App,藉助微軟AI工具和Xamarin軟體開發平臺,來自動識別、追蹤和分析衛星圖片中的物體,並進行分類和標記。開發Earth Lens的實習生表示,這款App可用於農、林、漁業等應用場景,比如觀察自然災害的影響、救災和環境保護。Earth Lens的專案管理實習生Michelle Chen指出,他們使用了微軟AI for Earth團隊訓練好的機器學習模型,讓Earth Lens自動偵測衛星圖片中的物體,除了能分類、統計數量,還會自動標記物體。微軟日前也將Earth Lens程式碼於GitHub開源。(詳全文)

  機器學習   圖片標註 

Google以機器學習加快電腦視覺的圖片標註速度達3倍

Google在ACM多媒體會議2018上,發表一種以機器學習驅動的圖片標註介面,讓使用者能快速標註圖片中的物體輪廓並標籤,整體標記速度快上三倍。傳統的標記方法為使用者以標記工具,手動圈出圖片中物體的邊界,Google表示,目前要用COCO對Stuff資料集,來標記一類圖片需要19分鐘,太過耗時。因此Google探索了全新的訓練資料標記方法-流體標註(Fluid Annotation),以機器學習幫使用者快速找出圖片物體輪廓,並加上標籤。

流體標註能產生一個短清單,點擊就能快速為物體上標籤,而使用者也可以增加範圍標記,來覆蓋沒被偵測出來的物體。另外,流體標註也能刪除既有的物體標記或變更物體深度順序。(詳全文)

DeepMind     TRFL  

DeepMind開源自家強化學習代理程式的元件TRFL

Alphabet旗下AI子公司DeepMind日前開源釋出可撰寫TensorFlow強化學習代理程式的函式庫TRFL。DeepMind指出,TRFL集結了該公司內部開發代理程式如DQN、DDPG及Importance Weighted Actor Learner Architecture所有的重要演算法元件。TRFL函式庫包括實作傳統RL演算及更先進技術的函式,像是loss函式及其他運算都有實作於純Tensorflow 之中。針對value-based及policy-base的強化學習,TRFL也都提供了相應的工具。TRFL目前已可自GitHub下載。(詳全文)

機場安檢    人臉辨識  

美TSA揭露,未來全美機場都會導入人臉辨識

美國國土安全部旗下的運輸安全管理局(TSA)先前公布了「飛安及乘客經驗的生物辨識藍圖」,計畫在未來幾年透過人臉辨識等生物辨識做法,來完成乘客的身分驗證,對象包括國際旅客和美國境內旅客,並打算開發生物辨識解決方案的基礎設施。TSA計畫先與美國海關及邊境保衛局(CBP)進行國際旅客的生物辨識,再利用由TSA Pre會員所提供的生物辨識技術改善旅遊經驗,將生物辨識擴大到境內旅客,並打造一個支援生物辨識的基礎設施。不過,TSA並未揭露此一藍圖的時程表。(詳全文)

UberEats    AI推薦  

UberEats App靠AI推薦餐廳和菜單內容,也優化外送服務

UberEats資料科學主管Chen Peng日前在公開場合揭露,該公司仰賴排名演算法來制定UberEats App的顯示內容,比如餐廳和菜單等。他進一步指出,機器學習是UberEats營運的核心,因為該技術的應用不但能預測哪些餐廳可以為UberEats平臺增值,還能預測哪些餐點可能會大受歡迎,並從平臺上800多家餐廳中的廣告中脫穎而出。在外送方面,機器學習則用來優化外送獎勵、分配訂單,以及動態調整外送價格。除了將AI用在營運上,UberEats也用於內部開發。UberEats內部有個名為Michelangelo的機器學習平臺,供自家工程師開發AI模型。Chen Peng指出,該平臺讓培訓、測試和部署機器學習模型更容易。(詳全文)

甲骨文     AI助理   

甲骨文宣布推出企業版AI助理,可支援多種應用程式

甲骨文在今年度的OpenWorld大會上,宣布推出企業版AI助理Oracle Digital Assistant,並稱其為新一代企業聊天機器人。與一般只為單一目標而建的聊天機器人不同,甲骨文AI助理可訓練來支援多種應用程式,比如ERP、CRM、HR等。另外,甲骨文AI助理還內建分析儀表板,讓使用者即時了解聊天機器人的性能,從而優化。該助理也可在多種平臺上使用,包括臉書、Slack、微信、Amazon Echo、Google Home和蘋果HomePod等,使用者也可以透過語音介面與AI助理交談。(詳全文)

Google      深度學習  

Google以深度學習協助檢測胸腺癌轉移,判斷時間少一半

Google提出了一套基於LYNA(LYmph Node Assistant)的診斷方法,透過LYNA演算法,病理學家能更容易檢測胸腺癌細胞在淋巴結上的微轉移,不只讓幻燈片檢驗時間減半,還讓錯誤率下降兩倍。Google今年發表兩篇論文,其中一篇論文找來病理學家進行模擬診斷,實驗在有LYNA和沒有LYNA幫助下,檢查轉移性乳腺癌淋巴結的工作。結果顯示,在LYNA的協助下,病理學家更容易辨識微轉移,且每張幻燈片的檢驗時間從2分鐘縮短至1分鐘,微轉移判斷出錯率降低2倍。這代表LYNA技術能減輕重複識別工作的負擔,但Google提到,要實際應用還有一段很長的路要走。(詳全文)

圖片來源/Google

 AI趨勢近期新聞 

1. Nvidia攜手Scripps轉譯醫學研究院,要用AI來分析醫療感測資料

2. 交大聯手高雄長庚,著墨AI醫療研究

3. Google釋出低延遲音訊C++函式庫Oboe,讓聲音不再延遲

4. 芝加哥考慮讓企業用人臉辨識技術來維安,EFF出聲反對

資料來源:iThome整理,2018年10月


Advertisement

更多 iThome相關內容