Google запроваджує машинне навчання в онлайн-електронні таблиці за допомогою Simple ML for Sheets

Ознайомтеся із сесіями за запитом на саміті Low-Code/No-Code Summit, щоб дізнатися, як успішно впроваджувати інновації та досягати ефективності шляхом підвищення кваліфікації та масштабування громадянських розробників. Дивитися зараз.


Електронні таблиці широко використовуються організаціями будь-якого розміру для всіх видів основних і складних завдань.

Хоча прості обчислення та графіки вже давно є частиною досвіду роботи з електронними таблицями, машинне навчання (ML) цього не стало. ML часто вважається надто складним для використання, тоді як використання електронних таблиць має бути доступним для будь-якого типу користувачів. Зараз Google намагається змінити цю парадигму для своєї програми електронних таблиць Google Sheets.

Сьогодні Google оголосив про випуск бета-версії доповнення Simple ML for Sheets. Google Таблиці мають розширювану архітектуру, яка дає користувачам змогу користуватися додатками, які розширюють стандартні функції, доступні в програмі. У цьому випадку Google Sheets використовує технологію ML, яку Google вперше розробив у проекті TensorFlow з відкритим кодом. Завдяки Simple ML for Sheets користувачам не потрібно буде використовувати певний сервіс TensorFlow, оскільки Google розробив сервіс, щоб бути максимально доступним.

«Все повністю працює в браузері користувача», — сказав VentureBeat Луїс Густаво Мартінс, прихильник розробників штучного інтелекту Google. «Ваші дані не залишають таблиць Google, а моделі зберігаються на вашому Диску Google, щоб ви могли використовувати їх пізніше».

Подія

Саміт інтелектуальної безпеки

8 грудня дізнайтеся про важливу роль штучного інтелекту та машинного навчання в кібербезпеці та конкретних галузевих прикладах. Зареєструйтеся, щоб отримати безкоштовний пропуск сьогодні.

Зареєструватися зараз

Святі аркуші, що Google Simple ML може робити з моїми електронними таблицями?

Отже, що може зробити Simple ML for Sheets? Два завдання для початківців у бета-версії, виділені Google, включають здатність передбачати відсутні значення або виявляти ненормальні. Мартінс сказав, що ці два завдання для початківців легко випробувати ML і дослідити, як ML може принести користь їхньому бізнесу.

Мартінс зазначив, що окрім завдань для початківців, доповнення підтримує кілька інших поширених завдань ML, таких як навчання та оцінка моделей, створення прогнозів та інтерпретація моделей та їхніх прогнозів. Крім того, оскільки Simple ML може експортувати моделі в TensorFlow, люди з досвідом програмування можуть використовувати моделі Simple ML зі своєю існуючою інфраструктурою ML.

Подолання складності ML за допомогою Simple ML for Sheets

Користувачі Google Таблиць можуть отримати вигоду від ML без Simple ML, але це може бути нелегко для неспеціаліста.

«Ми визначили знання та відсутність вказівок як основні чинники для тих, хто не займається ML, щоб легко використовувати ML», — сказав VentureBeat Матьє Гійом-Бер, інженер-програміст Google. «Використання класичного інструменту ML, наприклад TensorFlow у Python, схоже на порожню сторінку».

Гійом-Берт сказав, що використання класичного інструменту ML вимагає, серед іншого, щоб користувач розумів програмування, структурування проблем ML, побудову та оцінку моделі. Він зазначив, що такі знання, як правило, здобуваються на заняттях або самостійно навчаються протягом тривалого часу.

На противагу цьому Гійом-Берт сказав, що Simple ML схожий на інтерактивну анкету. Він направляє користувача та передбачає лише базові знання про електронні таблиці.

Використання лісів рішень для підтримки Simple ML

Мартінс пояснив, що під капотом доповнення Simple ML тренує моделі за допомогою бібліотеки Yggdrasil Decision Forests. Це та сама бібліотека, яка підтримує ліси прийняття рішень TensorFlow.

«З цієї причини, отримавши навчання надбудові, досвідчений користувач може експортувати модель у будь-який керований сервіс TensorFlow Serving, наприклад TensorFlow Serving у Google Cloud», — сказав Мартінс.

Гійом-Берт пояснив, що TensorFlow Decision Forest (TF-DF) — це бібліотека алгоритмів для навчання нових моделей. Іншими словами, користувач надає приклади TF-DF, а вони отримують модель у відповідь. Він зазначив, що TF-DF не поставляється з попередньо навченими моделями; однак, оскільки TF-DF інтегровані в екосистеми TensorFlow, досвідчені користувачі можуть поєднувати Decision Forests і попередньо навчені моделі.

Згідно з опублікованими дослідженнями, технологія TF-DF, яка базується на концепціях випадкових лісів і градієнтно-посилених дерев, працює виключно добре для навчання моделей на табличному наборі даних, як-от електронна таблиця.

З нетерпінням чекаючи вперед, Гійом-Берт сказав, що Google працюватиме над подальшим покращенням зручності використання доповнення. Google також планує додати нові можливості в Simple ML for Sheets, які не вимагають від користувача знань ML.

«Під час внутрішніх тестів ми виявили кілька дуже затребуваних завдань, які, на нашу думку, будуть популярними серед користувачів», — сказав Гійом-Берт. «Ми сподіваємося отримати відгук від цього публічного запуску, щоб визначити пріоритети та розробити ці завдання».

Місія VentureBeat має стати цифровою міською площею для тих, хто приймає технічні рішення, щоб отримати знання про трансформаційні корпоративні технології та транзакції. Відкрийте для себе наші брифінги.

Leave a Comment