Wikimedia Foundation องค์กรผู้ดูแลเว็บไซต์สารานุกรมเสรี Wikipedia ได้ระบุถึงการนำ machine learning มาใช้เพื่อประโยชน์ในการทำระบบการอ้างอิงของ Wikipedia

Wikimedia ระบุว่า กลไกสำคัญที่ทำให้ Wikipedia รักษาคุณภาพระดับสูงเอาไว้ได้นั่นก็คือ inline citation หรือการอ้างอิงในเนื้อหา ซึ่งการอ้างอิงเหล่านี้จะทำให้ผู้อ้างและผู้แก้ไขมั่นใจว่าข้อความในบทความนั้น ๆ สะท้อนแหล่งข้อความอย่างเที่ยงตรง ส่วนเนื้อหาอะไรที่ไม่มีแหล่งข้อมูลชัดเจน จะต้องถูกลบหรือมีการแปะว่า “ต้องการอ้างอิง”

วันนี้ Google ประกาศปล่อย API เพิ่มเติมให้ ML Kit ชุดพัฒนาด้าน machine learning สำหรับการพัฒนาแอปบน iOS และ Android สองอย่าง คือ Smart Reply และ Language Identification ซึ่งเป็นการเพิ่มฟีเจอร์ด้านการประมวลผลภาษาธรรมชาติหรือ NLP เข้ามา หลังจากที่ก่อนหน้านี้ชุด ML Kit จะเน้นด้านการประมวลผลภาพและวิดีโอเป็นหลัก

ฟีเจอร์แรก Smart Reply API จะเป็นฟีเจอร์คล้ายกับ Smart Reply ของ Gmail คือระบบแนะนำคำตอบ ใช้งานได้ทั้งในตัวแอปและการแจ้งเตือนที่ปรากฏขึ้นมา เพื่อให้ผู้ใช้ตอบกลับได้อย่างรวดเร็วตอนที่ไม่สะดวกเขียนข้อความตอบกลับยาว ๆ

มีรายงานว่าแอปเปิลได้เข้าซื้อกิจการ Laserlike สตาร์ทอัพรายเล็กที่พัฒนาเทคโนโลยีด้าน Machine Learning โดยดีลดังกล่าวสิ้นสุดตั้งแต่ปลายปีที่แล้ว แต่เพิ่งมีรายงานออกมา และไม่มีการเปิดเผยมูลค่า

Laserlike พัฒนา Machine Learning โดยทำการกวาดข้อมูลจากเว็บไซต์ต่าง ๆ แล้วนำมาคัดเลือกเนื้อหาให้สำหรับผู้ใช้แต่ละคนผ่านตัวแอป โดยผู้ใช้ระบุสิ่งที่สนใจ ก็จะได้รับข้อมูลที่เกี่ยวข้องแต่ละวัน ตลอดจนมีการแนะนำเว็บไซต์น่าสนใจอิงจากข้อมูลการเข้าชมเว็บของแต่ละคน

รายงานระบุว่าทีมงานของ Laserlike ตอนนี้ทำงานอยู่ในทีมของ Siri จึงคาดว่าแอปเปิลจะนำเทคโนโลยีนี้มาใช้ในการค้นหาหรือแนะนำข้อมูลให้เหมาะสมกับแต่ละคนมากขึ้น เมื่อมีการส่งคำถามไปยัง Siri นั่นเอง

ทีม AI ของ Google เขียนบล็อคเผยว่าระบบ speech recognition ใน GBoard (พูดแล้วแปลงเป็นคำ) บน Google Pixel จะรองรับการประมวลผลในเครื่องแทนที่จะประมวลผลจากเซิร์ฟเวอร์ในแบบเดิม ช่วยลด latency ในการประมวลผลเสียงเป็นคำลง รวมถึงสามารถใช้ได้แบบออฟไลน์ด้วย

การเปลี่ยนแปลงนี้เกิดขึ้นได้ ส่วนหนึ่งก็จากบน Pixel 2 และ 3 มี Pixel Visual Core ที่รองรับการประมวลผล ML ในเครื่องเลย อีกส่วนคือการเปลี่ยนแปลงโมเดลของระบบ speech recognition จากเดิมที่เป็นแบบ sequence-to-sequence ประมวลผลเสียงพูดออกมาเป็นคำหรือประโยค ซึ่งกระบวนการนี้มีข้อจำกัดเรื่องความหน่วง ไม่รองรับการประมวลผลทั้งขา input (พูด) และ output (แสดงคำ/ประโยค) ในเวลาเดียวกัน

วันนี้ นอกจาก TensorFlow 2.0 Alpha แล้ว Google ก็ได้เปิดตัวไลบรารี TensorFlow อีกตัวหนึ่งด้วยในชื่อว่า TensorFlow Privacy ซึ่งวางตำแหน่งเป็นไลบรารีสำหรับงานด้าน machine learning ที่ต้องการันตีความเป็นส่วนตัว

Google ระบุว่า TensorFlow Privacy เกิดขึ้นมาเนื่องจาก machine learning ในยุคนี้ถูกประยุกต์ใช้กับเทคโนโลยีและประสบการณ์ผู้ใช้ใหม่ ๆ เสมอ ซึ่งหลายครั้งจะต้องเทรนข้อมูลสำคัญอย่างเช่นรูปถ่ายส่วนตัวหรืออีเมล Google จึงเปิดตัว TensorFlow Privacy ที่มีเทคนิค machine learning แบบเน้นความเป็นส่วนตัวมาก ๆ มาให้ใช้งาน

DeepMind แถลงผลการทดลองใช้ระบบคอมพิวเตอร์เรียนรู้ได้ (machine learning) มาจัดการพลังงานลมจากฟาร์มที่กูเกิลเข้าไปมีส่วนร่วม โดยปัญหาสำคัญของพลังงานลมคือมันขึ้นกับสภาพอากาศอย่างมาก ทำให้การทำนายพลังงานที่ได้รับโดยรวมทำได้ยาก แหล่งพลังงานที่ใส่ไฟฟ้าเข้าไปในระบบกริดโดยบอกล่วงหน้าได้ จะได้มูลค่าสูงกว่า

ทาง DeepMind สร้างโมเดล machine learning เรียนรู้จากข้อมูลพยากรณ์อากาศแล้วนำมาพยากรณ์ปริมาณไฟฟ้าที่จะผลิตได้ล่วงหน้า 36 ชั่วโมง ทำให้ฟาร์มลมเหล่านี้สามารถสัญญาส่งพลังงานล่วงหน้าเข้ากริดล่วงหน้าหนึ่งวันเต็ม การจัดการระบบกริดสามารถทำได้ดีขึ้น

รายงานระบุว่าการทำนายข้อมูลต่างๆ ให้ดีขึ้น ทำให้มูลค่าของพลังงานลมที่ได้จากฟาร์มเหล่านี้สูงขึ้นถึง 20%

Gmail มีระบบกรองสแปมมานานแล้ว กูเกิลบอกว่าสามารถกรองได้ 99.9% แต่ระบบกรองใหม่ล่าสุดที่ใช้พลังของ TensorFlow ก็ช่วยกรองสแปมได้แม่นยำกว่าเดิม กูเกิลไม่ได้บอกว่าเพิ่มเป็นกี่เปอร์เซ็นต์ แต่บอกว่ากรองได้เพิ่มอีกวันละ 100 ล้านฉบับ

กูเกิลอธิบายว่าการใช้ TensorFlow ช่วยป้องกันสแปมในกรณีที่ตรวจจับได้ยาก เช่น เป็นอีเมลที่แนบไฟล์รูป ฝังเนื้อหาที่มองไม่เห็นมาด้วย หรือเป็นอีเมลที่ส่งจากโดเมนใหม่ที่ยังไม่เคยมีประวัติการส่งสแปมมาก่อน ดังนั้นการใช้เทคนิค machine learning ให้เรียนรู้แพทเทิร์นของอีเมลแบบนี้ จะช่วยป้องกันสแปมในกรณีเหล่านี้ได้แม่นยำขึ้น

ที่มา - Google

มีข้อมูลใหม่เกี่ยวกับ Project Maven ซอฟต์แวร์วิเคราะห์ภาพถ่ายจากโดรนที่ Google ร่วมมือกับกองทัพสหรัฐฯว่า ในการฝึกระบบให้สามารถแยกแยะความแตกต่างของวัตถุในรูปถ่ายนั้น ทาง Google ได้จ้างคนจาก Figure Eight ซึ่งเป็นแพลตฟอร์มสำหรับจ้างคนไปทำงานเล็กๆ น้อยๆ

ในอีเมลข้อมูลที่เว็บไซต์ The Intercept ได้มานั้นระบุว่าหลังจากที่ Google ลงนามข้อตกลงกับกองทัพ Google ก็เริ่มทำ label data หรือการระบุชื่อประเภทข้อมูลจากภาพถ่ายดาวเทียม และในเดือนตุลาคม 2017 ก็ได้ส่งงานให้บริษัท CrowdFlower ซึ่งต่อมาภายหลังเปลี่ยนชื่อเป็น Figure Eight รับงานไปทำต่อ ซึ่งเป็นงานละเอียดและต้องอยู่กับข้อมูลจำนวนมาก

GitHub รายงานข้อมูลสถิติ contributions บนแพลตฟอร์มประจำปีที่แล้ว โดยเน้นที่ด้าน machine lerning และ data science ว่าตอนนี้ผู้ใช้งานสนใจโปรเจคไหน และภาษาอะไรบ้าง โดยสถิติเรื่องการ contribution จะมีตั้งแต่การพุชโค้ด, เปิด issue หรือ pull request, คอมเมนท์บน issue หรือ pull request และรีวิวตัว pull request

หลังจากที่ทำการเก็บข้อมูลและนำมาทำการวิเคราะห์แล้ว GitHub สรุปเป็นหัวข้อใหญ่ ๆ ดังนี้

หัวข้อแรก คือภาษาที่นิยมใช้ในงานด้าน machine learning บน GitHub ซึ่งใช้วิธีการเก็บข้อมูลจาก repositories ที่แท็กว่า machine-learning และจัดอันดับตามภาษาหลักที่ใช้ใน respositories เป็นสิบอันดับแรกคือ Python, C++, JavaScript, Java, C#, Julia, Shell, R, TypeScript และ Scala

AWS เปิดตัว Neo-AI โครงการโอเพ่นซอร์สใหม่ที่พัฒนาเครื่องมือสำหรับการ optimize โมเดล machine learning เพื่อการดีพลอยบนแพลตฟอร์มที่หลากหลายโดยเฉพาะการรันบน edge device ซึ่ง AWS ใช้เทคโนโลยีที่ทางบริษัทพัฒนา SageMaker Neo บริการ machine learning บน AWS มาพัฒนา Neo-AI นี้ด้วย

Neo-AI สามารถใช้โมเดลจาก TensorFlow, MXNet, PyTorch, ONNX และ XGBoost จากนั้นก็ทำการ optimize ได้ ซึ่ง AWS ระบุว่า Neo-AI สามารถทำให้โมเดลเร็วขึ้นกว่าเดิมได้สูงสุดถึง 2 เท่าโดยไม่เสียความแม่นยำ ซึ่งตัวเครื่องมือนี้รองรับฮาร์ดแวร์ชิพจากทั้ง Intel, Nvidia และ ARM ซึ่งจะซัพพอร์ต Xilinx, Cadence และ Qualcomm ในอนาคตด้วย

Google Cloud เปิดตัว Feast เครื่องมือเก็บฟีเจอร์แบบโอเพ่นซอร์สเพื่อการจัดการ, เก็บ และค้นพบฟีเจอร์สำหรับการใช้ในโปรเจค machine learning โดย Google ระบุว่าเป็นผลงานการพัฒนาร่วมกันระหว่างทีมจาก Go-Jek แอพเรียกรถจากอินโดนีเซียและ Google Cloud

การพัฒนา Feast เพื่อเป็นเครื่องมือเก็บฟีเจอร์นี้ เนื่องจากเป็นงานที่ท้าทายสำหรับทีมวิศวกรด้าน machine learning ที่จะต้องพัฒนาแพลตฟอร์มเพื่อการเก็บฟีเจอร์เป็นแพลตฟอร์มเดียวที่จะต้องยืดหยุ่นเพียงพอ คือทีมสามารถนำฟีเจอร์ลงไปเก็บ และนำไปใช้กับโปรเจค machine learning อื่น ๆ ได้ด้วย

ระบบรีวิวบน Google Play นั้นมักจะมีผลต่อการตัดสินใจติดตั้งแอพของผู้ใช้มาก แต่ทุกวันนี้มีปัญหารีวิวขยะเกิดขึ้นมาก เนื่องจากนักพัฒนาบางรายใช้วิธีซื้อรีวิวเพื่อทำให้แอพของตัวเองดูดีขึ้น ซึ่ง Google ก็รับทราบปัญหานี้ดี และพยายามที่จะหาวิธีกำจัดเนื่องจากเป็นปัญหาที่กระทบต่อความเชื่อมั่นของผู้ใช้

เรตติ้งและรีวิวที่ถูกจัดว่าผิดกฎของ Google Play จะมีลักษณะสามอย่างหลัก ๆ คือ

ที่งาน AWS re:Invent 2018 Amazon ได้เปิดตัวบริการ Amazon Elastic Inference ที่ทำให้สามารถเพิ่ม GPU ไปยังเครื่อง EC2 ประเภทใดๆ ก็ได้

เดิมทีการใช้งาน GPU ใน EC2 นั้นจะต้องเลือกใช้เครื่องประเภทที่มี GPU ในตัวเท่านั้น เช่นประเภท P3 ซึ่งบางครั้งผู้ใช้งานอาจจะต้องการใช้เพียงแค่ GPU แต่ไม่ได้ต้องการ CPU หรือ Memory จำนวนมาก โดยเฉพาะงานประเภทหาคำตอบจากโมเดลที่สำเร็จแล้ว (inference) การใช้งานลักษณะนี้จึงสิ้นเปลืองค่าใช้จ่ายมาก

Elastic Inference จะทำให้เราสามารถเพิ่ม ​GPU ไปยังเครื่อง EC2 ประเภทใดๆ ก็ได้ (คล้ายๆ กับของ Google Cloud) หรือต่อกับ SageMaker รองรับการใช้งานผ่านทั้ง TensorFlow และ Apache MXNet

Amazon ประกาศเพิ่มฟีเจอร์ใหม่ให้ AWS Marketplace บริการร้านค้าซอฟต์แวร์บน AWS โดยฟีเจอร์แรกคือนำอัลกอริทึมและโมเดลของ machine learning มาขายผ่าน Marketplace และ Private Marketplace หรือ Marketplace ที่ใช้กันเฉพาะภายในองค์กร

ฟีเจอร์แรกคือ machine learning โดย AWS ระบุว่าใน Marketplace จะเพิ่มหมวดหมู่ใหม่คือ machine learning ซึ่งจะรวมอัลกอริทึมและโมเดลจากหลาย ๆ บริษัท และครอบคลุมความต้องการในหลาย ๆ ด้าน ซึ่งเมื่อผู้ใช้พบสิ่งที่ต้องการจาก Marketplace แล้ว สามารถดีพลอยโดยตรงจากคอนโซลของ SageMaker, Jupyter Notebook, SageMaker SDK หรือ AWS CLI ก็ได้

ในงาน AWS re:Invent ทาง Amazon ได้เปิดตัว AWS DeepRacer รถยนต์ไร้คนขับของเล่น ที่ย่อส่วนด้วยอัตราส่วน 1 ต่อ 18 ซึ่งสามารถนำมาพัฒนาเขียนโปรแกรมเพิ่มความสามารถ Machine Learning ให้ขับเคลื่อนและตัดสินใจได้ในตัวเอง

AWS DeepRacer เป็นรถขับเคลื่อน 4 ล้อ มีแบตเตอรี่อยู่ได้ราว 2 ชั่วโมง ส่วนสเป็กฮาร์ดแวร์อื่นนั้น ใช้ซีพียู Intel Atom, ระบบปฏิบัติการ Robot Operating System ของ Ubuntu, กล้อง 4 ล้านพิกเซล, ระบบการมองทำงานบนซอฟต์แวร์ Intel OpenVino และ Wi-Fi 802.11ac

AWS เปิดตัวฐานข้อมูล time series สำหรับข้อมูลที่อิงเวลาเป็นหลัก ในชื่อ Amazon Timestream

บริการ Timestream เป็นฐานข้อมูลแบบ serverless คิดค่าบริการตามพื้นที่ และปริมาณการใช้งาน สามารถใช้คำสั่งวิเคราะห์ข้อมูลเบื้องต้นได้ เช่น การทำ graph smoothing, interpolation หรือ approximation

Amazon ประกาศเปิดคอร์สวิชา Machine Learning ที่ใช้เทรนพนักงานภายในบริษัท มาให้คนนอกเรียนกันฟรีๆ ผ่านระบบออนไลน์

คอร์สของ Amazon มีวิชาด้าน Machine Learning ให้เรียนมากกว่า 30 วิชา มีระยะเวลาเรียนรวมกว่า 45 ชั่วโมง และครอบคลุมสายงานหลากหลาย ตั้งแต่ data scientist, data platform engineer, developer รวมถึงผู้บริหารที่ต้องใช้ข้อมูลเพื่อตัดสินใจในทางธุรกิจ

ตัวอย่างวิชาเรียน มีตั้งแต่พื้นฐานความรู้ เช่น Math for Machine Learning, The Elements of Data Science ไปจนถึงการลองสร้าง AI จริงๆ ด้วยเครื่องมือของ AWS เช่น Amazon Lex หรือ Amazon DeepLens

Amazon เปิดตัวระบบ Auto Scaling รูปแบบใหม่สำหรับ EC2 นอกจากจะเพิ่มลดเครื่องตามโหลดของระบบแล้ว ยังสามารถใช้ Machine Learning ทำนาย load ในอนาคตล่วงหน้าได้อีกด้วย

การทำงานของ Predictive scaling จะใช้ข้อมูลที่วิเคราะห์ได้ ตั้งจำนวนเครื่องขั้นต่ำที่ต้องเปิดทิ้งไว้ และใช้ autoscaling แบบเดิมเข้ามาช่วยรองรับกรณีที่มี load สูงกว่าปกติ

Predictive scaling ใช้งานได้ฟรีไม่มีค่าใช้จ่ายเพิ่มจากปกติ สามารถใช้ใน region Singapore, North Virginia, Ohio, Oregon, Ireland ได้แล้ว โดยบนคอนโซลจะเป็นเมนู AWS Auto Scaling แยกออกไปจากเมนู EC2 ที่แสดง autoscaling แบบเดิม

NIPS (Neural Information Processing Systems) งานประชุมวิชาการด้านปัญญาประดิษฐ์และคอมพิวเตอร์เรียนรู้ได้ (machine learning) ประกาศเปลี่ยนชื่อย่อเป็น NeurIPS หลังจากชื่อเดิม คล้องจองกับทั้ง nipple ที่แปลว่าหัวนม (อีกความหมายหนึ่ง nip ที่เป็นคำเรียกคนญี่ปุ่นแบบเหยียด)

NeurIPS เป็นงานประชุมวิชาการที่สำคัญอันดับต้นๆ ของโลก ทุกปีจะมีงานวิจัยจำนวนมากจากบริษัทชั้นนำ เช่น กูเกิล, ไมโครซอฟท์, หรือ DeepMind ส่งงานวิจัยเข้าร่วม ความนิยมของงานประชุมนี้สูงถึงขั้นที่บัตรร่วมงานในปีนี้ขายหมดในเวลาเพียง 11 นาที 38 วินาทีเท่านั้น

Google Cloud ร่วมมือกับสำนักข่าวเก่าแก่ The New York Times เสนอเทคโนโลยีช่วยจัดการรูปภาพข่าวเก่าๆ ของสำนักข่าวที่มีหลายล้านรูปภาพ ทั้งที่เป็นไฟล์ภาพแล้วและยังไม่เป็นไฟล์ ช่วยให้การค้นหาภาพข่าวเก่าและนำมาใช้นั้นทำได้ง่ายขึ้น

ปัจจุบัน ภาพที่ไม่ได้เป็นไฟล์ของสำนักข่าวจะถูกเก็บไว้ในล็อกเกอร์ มีการ์ดบอกไว้ว่าเป็นภาพข่าวช่วงไหน แต่ก็ไม่สามารถทำให้เห็นภาพทั้งหมด ไม่ได้บอกรายละเอียดว่าแต่ละภาพเป็นภาพเกตุการณ์อะไร Google ช่วยแก้ไขด้วยการจัดทำไฟล์เอกสารรูปภาพเหล่านี้ให้อยู่ในรูปแบบดิจิทัลความละเอียดสูงบน Cloud Storage และมี API หรือช่องทางเข้าถึงรูปภาพให้ค้นภาพนำมาใช้ได้

ไมโครซอฟท์ประกาศเข้าซื้อกิจการ Lobe สตาร์ทอัพที่พัฒนาแพลตฟอร์มสำหรับสร้างตัวแบบ Machine Learning ที่ใช้งานง่าย ด้วยรูปแบบการลาก-วาง ซึ่งไมโครซอฟท์หวังว่าจะนำเครื่องมือของ Lobe มาพัฒนาให้ผู้ใช้งานสร้าง Machine Learning ได้ง่ายขึ้น

Lobe เพิ่งเปิดตัวผลิตภัณฑ์เวอร์ชันเบต้าเมื่อต้นปีที่ผ่านมา โดยมี Mike Matas เป็นหนึ่งในผู้ก่อตั้ง ซึ่งเขาเคยทำงานที่ Facebook ในหลายโครงการ อาทิ แอป iPhone, iPad, แอป Paper และโครงการเกี่ยวกับ Instant Article

Baidu เปิดตัว EZDL เครื่องมือสำหรับการสร้าง, ออกแบบ และดีพลอยโมเดล AI โดยไม่ต้องใช้การเขียนโค้ดเลย

EZDL ของ Baidu รองรับ machine learning หลายรูปแบบ ตั้งแต่การจำแนกรูปภาพ, การตรวจหาวัตถุ และการจำแนกเสียง ซึ่งเครื่องมือนี้มีกลุ่มเป้าหมายคือธุรกิจขนาดกลางและขนาดเล็ก ซึ่ง Youping Yu ผู้จัดการทั่วไปของฝ่าย AI ของ Baidu กล่าววว่าเครื่องมือนี้มีจุดประสงค์ที่จะทำลายกำแพงเพื่อให้ทุกคนเข้าถึง AI ได้

Salesforce เปิดตัวเครื่องมือโอเพ่นซอร์สใหม่ TransmogrifAI ไลบรารีทำ machine learning อัตโนมัติสำหรับข้อมูลเชิงโครงสร้างหรือ structured data ตัวไลบรารีออกแบบให้มีความยืดหยุ่น สามารถประมวลผลได้ตั้งแต่บนแล็ปท็อปไปจนถึงคลัสเตอร์ เขียนด้วย Scala และพัฒนาบน Apache Spark

Mayukh Bhaowal กรรมการฝ่ายจัดการผลิตภัณฑ์ของ Salesforce Einstein ให้ข้อมูลกับ VentureBeat ว่า TransmogrifAI เป็นผลการพัฒนาไลบรารีด้าน machine learning ของ Salesforce โดยไลบรารีนี้ทำให้ทีม Einstein สามารถดีพลอยโมเดลสำหรับลูกค้าองค์กรได้ในเวลาไม่กี่ชั่วโมง