AWS Initiate Berlin - Maschinelles Lernen - Chancen, Werkzeuge und Beispiel-Anwendungen für öffentliche Einrichtungen
•
3 gefällt mir•626 views
Maschinelles Lernen: Chancen, Werkzeuge und Beispiel-Anwendungen für öffentliche Einrichtungen Durch die Zusammenführung von innovativen Algorithmen, Big Data Methoden und leistungsfähiger Hardware wie GPUs hat das Maschinelle Lernen (ML) in den letzten Jahren einen großen Aufschwung erlebt. In diesem Vortrag betrachten wir Werkzeuge, Technologien und Beispiele für ML in der Cloud, von einfachen, API-gesteuerten Diensten für Bild-, Sprach- und Text-Erkennung und -Verstehen bis zu Forschungs- und Entwicklungs-Plattformen für Entwickler und Wissenschaftler im ML-Umfeld. Sprecher: Constantin Gonzalez, Principal Solutions Architect - AWS
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie AWS Initiate Berlin - Maschinelles Lernen - Chancen, Werkzeuge und Beispiel-Anwendungen für öffentliche Einrichtungen
Ähnlich wie AWS Initiate Berlin - Maschinelles Lernen - Chancen, Werkzeuge und Beispiel-Anwendungen für öffentliche Einrichtungen (20)
Mehr von Amazon Web Services
Mehr von Amazon Web Services (20)
AWS Initiate Berlin - Maschinelles Lernen - Chancen, Werkzeuge und Beispiel-Anwendungen für öffentliche Einrichtungen
- 2. © 2018, Amazon Web Services, Inc. or its Affiliates. All rights reserved. Constantin Gonzalez Principal Solutions Architect, AWS März 2018 Maschinelles Lernen auf AWS
- 3. Bei Amazon investieren wir seit 20 Jahren in Maschinelles Lernen Suchen & Entdecken Lieferung & Logistik Aktuelle Produkte Neue Initiativen
- 4. Kunden, die heute Maschinelles Lernen auf AWS nutzen
- 5. Maschinelles Lernen für alle Entwickler und Wissenschaftler ML @ AWS: Unser Ziel
- 6. Frameworks & Infrastructure AWS Deep Learning AMI GPU (P3 Instances) MobileCPU IoT (Greengrass) Vision: Rekognition Image Rekognition Video Speech: Polly Transcribe Language: Lex Translate Comprehend Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon AWS ML Werkzeuge Application AI Services Managed Platform Services Amazon Machine Learning Mechanical Turk Spark & EMR Amazon SageMaker AWS DeepLens
- 7. Wie helfen wir Kunden, ML zu nutzen und von Amazons Expertise zu lernen?
- 8. Amazon Machine Learning Solution Lab Brainstorming & Schulung Modellieren Operationalisierung Ein Schulungs- und Kollaborations- Programm, das Amazon- Experten für Maschinelles Lernen mit AWS Kunden und Partnern zusammen bringt.
- 9. Amazon ML Solution Lab Kunden
- 10. Vision Speech Language Amazon Machine Learning Mechanical TurkSpark & EMR Application AI Services Managed Platform Services AWS ML Werkzeuge Frameworks & Infrastructure AWS Deep Learning AMI GPU (P3 Instances) MobileCPU IoT (Greengrass) Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon
- 11. Amazon EC2 P3 Instanzen • Bis zu acht NVIDIA Teslta V100 GPUs • 1 PetaFLOP Rechenkapazität – 14x besser als der Vorgänger P2 • 300 GB/s GPU-zu-GPU-Kommunikation (NVLink) – 9X besser als P2 • 16 GB GPU Speicher mit 900 GB/s Peak GPU Speicherbandbreite D i e s c h n e l l s t e n G P U - I n s t a n z e n i n d e r C l o u d
- 12. AWS Deep Learning AMI • Schneller Start mit einfach zu nutzenden Tutorials • Frust-freie Einrichtung und Konfiguration • Zahlen Sie nur was Sie nutzen – keine zusätzlichen Kosten für das AMI • Beschleunigtes Modell-Training und -Operation • Unterstützt populäre Deep Learning Frameworks
- 13. Infrastructure GPU (P3 Instances) MobileCPU IoT (Greengrass) Vision Speech Language Frameworks AWS Deep Learning AMI Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon Application AI Services AWS ML Werkzeuge Managed Platform Services Amazon Machine Learning Mechanical Turk Spark & EMR Amazon SageMaker AWS DeepLens
- 14. Amazon Mechanical Turk • “Daten sind billig; Labels sind teuer” • Menschliche Intelligenz ist nötig, um Datensätze mit Sprache, Bildern und Texten zu beschriften
- 15. Mechanical Turk ML Kunden Facebook AI Research (FAIR) DigitalGlobe | Radiant
- 16. Die Maschine-Learning- Prozesskette ist schwer 1. Data wrangling • Setup and manage Notebook environments • Get data to notebooks securely 2. Experimentation • Setup and manage clusters • Scale/distribute ML algorithms 3. Deployment • Setup and manage inference clusters • Manage and auto scale inference APIs • Testing, versioning, and monitoring Fetch data Clean & format data Prepare & transform data Train model Evaluate model Integrate with prod Monitor/ debug/refresh
- 17. …und kostet Zeit Fetch data Clean & format data Prepare & transform data Train model Evaluate model Integrate with prod Monitor/ debug/refresh 6–18 Monate
- 18. Amazon SageMaker Ein vollständig verwalteter Service, der den schnellsten und einfachsten Weg für Ihre Wissenschaftler und Entwickler bereitstellt, um ML-Modelle von der Idee bis zur Produktion zu bringen.
- 19. Plattform für Ende-zu-Ende ML-Entwicklung Keine Installation notwendig Flexibles Modell-Training Sekundengenaue Abrechnung Amazon SageMaker Der schnellste und einfachste Weg, ML-Modelle von Idee zu Produktion zu bringen $
- 20. Highly-optimized machine learning algorithms Amazon SageMaker AuthorBuilt-in high performance algorithmsPre-built notebook instances
- 21. Highly-optimized machine learning algorithms Amazon SageMaker One-click training for ML, DL, and custom algorithms AuthorPre-built notebook instances Easier training with hyperparameter optimization Train
- 22. One-click training for ML, DL, and custom algorithms Easier training with hyperparameter optimization Highly-optimized machine learning algorithms Amazon SageMaker Deployment without engineering effort Fully-managed hosting at scale AuthorBuilt-in high performance algorithmsPre-built notebook instances Deploy Train
- 23. Amazon SageMaker: 10x bessere Algorithmen Datensatz- Streaming für günstigeres Training Schneller Trainieren, in nur einem Schritt Höhere Zuverlässigkeit für extrem große Datensätze 11 Algorithmen zur Auswahl + Bring-your-own
- 24. Machine Learning zum anfassen (wörtlich)
- 25. AWS DeepLens: Eine Deep-Learning-Videokamera für Entwickler (Limited Preview) • Voll programmierbare Videokamera • Optimiert für Deep-Learning auf dem Gerät mit Apache MXNet, Caffe oder Tensorflow • Anleitungen, Codebeispiele, vorkonfigurierte Modelle • Integriert mit Amazon SageMaker für Entwicklung eigener Modelle
- 26. AWS DeepLens: Projekt-Beispiele Künstlerischer Stil- Transfer Hot Dog oder kein Hot Dog? Objekt-Erkennung
- 27. Frameworks & Interfaces Infrastructure AWS Deep Learning AMI GPU (P3 Instances) MobileCPU IoT (Greengrass) Amazon Machine Learning Mechanical Turk Spark & EMR Amazon SageMaker Platform Services Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon AWS ML Werkzeuge AWS DeepLens Vision: Rekognition Image Rekognition Video Speech: Polly Transcribe Application AI Services Language: Lex Translate Comprehend
- 28. Objekt- und Szenen-Erkennung Gesichts- Analyse Gesichts- Vergleich Gesichts- Erkennung Prominenten- Erkennung Bild- Moderierung Amazon Rekognition Image: Deep-Learning-basierte Bildanalyse
- 29. Results: | IT’S - 97% | | MONDAY – 99% | |but – 97% |keep – 96% | | Smiling – 99% | DetectText Rekognition: Text im Bild
- 30. Echtzeit-Gesichts-Erkennung mit bis zu 10 Mio. Referenzgesichtern <0.5 Sekunden Antwortzeit Bis zu 10M Gesichter Ermöglicht sofortige Reaktionen Rekognition: Echtzeit-Gesichts-Suche
- 31. Amazon Rekognition Image Kunden
- 32. Wie kann man das auf Video- Daten anwenden?
- 34. Amazon Rekognition Video Ein Service für Bestand– und Live-Daten Gespeicherte Videos Amazon S3 Video Live Stream Amazon Kinesis Video Stream Such-Index für Medien Erkennung von „zweifelhaften“ Videos Investigative Analyse Schnelle Reaktion für öffentliche Sicherheit Monitoring von Nachbarschaften
- 35. Medien- und Unterhaltung Öffentliche Sicherheit Smart Home - Suche & Filtern - Schnelle Reaktion - Investigative Analyse - Monitoring Amazon Rekognition Video Anwendungs-Beispiele
- 36. Amazon Rekognition Video: Kunden
- 37. Frameworks & Interfaces Infrastructure AWS Deep Learning AMI GPU (P3 Instances) MobileCPU IoT (Greengrass) Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon Platform Services AWS ML Werkzeuge Amazon Machine Learning Mechanical Turk Spark & EMR Amazon SageMaker DeepLens Vision: Rekognition Image Rekognition Video Speech: Polly Transcribe Application AI Services Language: Lex Translate Comprehend
- 38. WANDELT TEXT IN SPRACHE 47 STIMMEN 24 SPRACHEN NIEDRIGE LATENZ, ECHTZEIT VOLLAUTOMATISCH Polly: Realistischer Sprach-Service Sprachqualität & Aussprache 1. Automatische, präzise Verarbeitung 2. Leicht zu verstehen 3. Semantisches Verständnis 4. Konfigurierbare Aussprache Artikel und Blogs Trainings-Material Chatbots (Lex) Öffentliche Ansagen
- 39. Anwendungsfälle Publikation von Inhalten Mobile & Desktop-Applikationen Internet of Things (IoT) Lehre & E-Learning Telephonie Spiele-Entwicklung Amazon Polly Leistungsmerkmale 52 Stimmen in 25 Sprachen Lippen-Synchronisation & Text-Hervorhebung Feingranulare Stimmkontrolle Benutzerspezifische Vokabulare Verfügbar in 14 AWS Regionen
- 41. Wie geht das anders herum, also Analyse von Sprachdaten?
- 42. Amazon Transcribe: Automatische Spracherkennung Time Stamps Unterstützt reguläre und Telefon- Aufnahmen Zeichensetzung & Formatierung § S3-Integration Sprecher- Erkennung Benutzer- definierte Vakabularien
- 43. Amazon Transcribe: Anwendungsbeispiele Call Center Untertitel für Video Meeting- Protokolle Untertitel für öffentliche Diskussionen
- 44. Frameworks Infrastructure AWS Deep Learning AMI GPU (P3 Instances) MobileCPU IoT (Greengrass) Speech: Polly Transcribe Vision: Rekognition Image Rekognition Video Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon Application Services Platform Services AWS ML Werkzeuge Amazon Machine Learning Mechanical Turk Spark & EMR Amazon SageMaker AWS DeepLens Language: Lex Translate Comprehend
- 45. Am azon Lex SPRACH-VERSTEHEN Basierend auf der gleichen Deep Learning Technologie wie Alexa SPRACHERKENNUNG
- 46. Amazon Lex – Anwendungsbeispiele INFORMATIONS-BOTS Chatbots für alltägliche Anfragen APPLIKATIONS-BOTS Neue Zugänge für mobile Applikationen • Nachrichten • Wetter • Öffentl. Informationen • Tickets buchen • Essen bestellen • Kontoverwaltung UNTERNEHMENS-PRODUKTIVITÄT Effizientere und schlankere Unternehmens-Prozesse • Geschäftszahlen • Marktdaten • Liefer/Lagerstatus INTERNET OF THINGS (IOT) BOTS Sprach-Schnittstellen für Geräte • Wearables • Geräte • Fahrzeuge
- 48. Amazon Translate: Neuronale Übersetzungen ECHTZEIT- ÜBERSETZUNG BASIEREND AUF DEEP LEARNING 12 SPRACHPAARE (Mehr in Vorbereitung) SPRACH- DETEKTIERUNG
- 49. Ein „Taschenmesser“ auf Amazon.de
- 50. Really a very good Pocket knife. Had yesterday after breakfast something poppy hang between the teeth. Because I once again found no toothpicks, I ordered mine without further ADO this pocket knife. The integrated toothpick (Nr. 3) is very stable and very quickly I could clean my teeth. Super! To the rest I can tell nothing unfortunately because I him not be emergency. Ein glücklicher Kunde schrieb…
- 51. “Really a very good pocket knife. Had a little poppy between the teeth yesterday after breakfast. Since I didn’t find a toothpick again, I ordered this pocket knife shortly. The integrated toothpick (No.3) is very stable and I could clean my teeth very quickly. Great! I can’t say anything about the rest because I don’t need it.” Die neuronale Version
- 52. Amazon Comprehend: Natürliches Sprachverstehen Stimmung Entitäten SprachenSchlüsselphrasen Themen-Modelle Basierend auf Deep Learning
- 53. N a m e d E n t i t i e s • A m a z o n . c o m : O r g a n i z a t i o n • S e a t t l e , W A : L o c a t i o n • J u l y 5 t h , 1 9 9 4 : D a t e • J e f f B e z o s : P e r s o n K e y p h r a s e s • O u r c u s t o m e r s • b o o k s • b l e n d e r s • g r e a t p r i c e s S e n t i m e n t • P o s i t i v e L a n g u a g e • E n g l i s h A m a z o n . c o m , I n c . i s l o c a t e d i n S e a t t l e , W A a n d w a s f o u n d e d J u l y 5 t h , 1 9 9 4 b y J e f f B e z o s . O u r c u s t o m e r s l o v e b u y i n g e v e r y t h i n g f r o m b o o k s t o b l e n d e r s a t g r e a t p r i c e s Amazon Comprehend: Daten aus Text
- 54. A u t o m a t i s c h v e r w a l t e t e r T h e m e n - M o d e l l i e r u n g s - S e r v i c e E x t r a h i e r t b i s z u 1 0 0 T h e m e n a u s e i n e m K o r p u s v o n T e x t e n O r g a n i s i e r t T e x t e a u t o m a t i s c h n a c h T h e m e n Amazon Comprehend: Topic Modeling
- 55. Amazon Comprehend: Anwendungen Kundenfeedback-Analyse Semantische Suche Knowledge Management/Recherche Was sagen Ihre Kunden und Nutzer über Ihre Produkte und Services? Machen Sie Ihre Suche Intelligenter mit Themen, Entitäten und Konzepten Dokumenten-Verwaltung und Recherche
- 56. AWS ML Werkzeuge Frameworks & Infrastructure AWS Deep Learning AMI GPU (P3 Instances) MobileCPU IoT (Greengrass) Vision: Rekognition Image Rekognition Video Speech: Polly Transcribe Language: Lex Translate Comprehend Apache MXNet PyTorch Cognitive Toolkit Keras Caffe2 & Caffe TensorFlow Gluon Application Services Platform Services Amazon Machine Learning Mechanical Turk Spark & EMR Amazon SageMaker AWS DeepLens
- 58. Vielen Dank!