Faits saillants et réalisations du 4e trimestre 2022

Publié par Nari Yoon, Hee Jung, responsable de la communauté DevRel / Soonson Kwon, responsable du programme DevRel

Explorons les faits saillants et les réalisations des vastes communautés Google Machine Studying au cours du dernier trimestre de 2022. Nous sommes enthousiastes et reconnaissants de toutes les activités du réseau mondial des communautés ML. Voici les faits saillants!

ML au DevFest 2022

Sommet de la communauté ML 2022

TensorFlow

gMLP : Qu’est-ce que c’est et remark l’utiliser en pratique avec Tensorflow et Keras ? par ML GDE Radostin Cholakov (Bulgarie) démontre les résultats de pointe sur les tâches de NLP et de imaginative and prescient par ordinateur en utilisant beaucoup moins de paramètres entraînables que les modèles Transformer correspondants. Il a également écrit Échantillonnage discret différentiable dans TensorFlow.

Création d’un modèle de imaginative and prescient par ordinateur à l’aide de TensorFlow : partie 2 par TFUG Pune pour les développeurs qui souhaitent approfondir la formation d’un modèle de détection d’objets sur Google Colab, inspecter le modèle TF Lite et déployer le modèle sur une utility Android. ML GDE Nitin Tiwari (Inde) a couvert les features détaillés de la formation de bout en bout et du déploiement de la détection de modèle d’objet.

Avènement de Code 2022 en pur TensorFlow (jours 1 à 5) par ML GDE Paolo Galeone (Italie) résolvant les énigmes Creation of Code (AoC) en utilisant uniquement TensorFlow. Les articles contiennent une description des options des puzzles Creation of Code 1-5, en pur TensorFlow.

Créez des fichiers tensorflow-lite-select-tf-ops.aar et tensorflow-lite.aar avec Colab par ML GDE George Soloupis (Grèce) explique remark réduire la taille finale du .apk de votre utility Android en créant des fichiers tensorflow-lite-select-tf-ops.aar et tensorflow-lite.aar sans avoir besoin de Docker ou d’un PC personnel environnement.

Software TensorFlow Lite et MediaPipe par ML GDE XuHua Hu (Chine) explique remark utiliser TFLite pour déployer un modèle ML dans une utility sur des appareils. Il a partagé ses expériences avec le développement d’un jeu de détection de mouvement avec MediaPipe, et remark résoudre les problèmes que nous pouvons rencontrer habituellement.

Keras

TFX

Usha Rengaraju (Inde) a partagé Tutoriels TensorFlow Prolonged (TFX) (Partie 1, Partie 2, Partie 3) et les projets TF suivants : Tutoriel sur les forêts de décision TensorFlow et Implémentation de TensorFlow du transformateur FT.

JAX/lin

JAX Recherche ML haute efficiency par TFUG Taipei et ML GDE Jerry Wu (Taiwan) a présenté JAX et remark commencer à utiliser JAX pour résoudre des problèmes d’apprentissage automatique.

Kagglé

Amélioration de l’picture en basse lumière à l’aide de MirNetv2 par ML GDE Soumik Rakshit (Inde) a démontré la tâche d’amélioration de l’picture en basse lumière.

IA cloud

Meilleur provisionnement matériel pour les assessments de ML sur GCP par ML GDE Sayak Paul (Inde) a discuté des factors faibles du provisionnement du matériel (en particulier pour les expériences ML) et de la manière dont nous pouvons obtenir un meilleur provisionnement du matériel avec du code en utilisant les cases Vertex AI Workbench et Terraform.

Modèle de série chronologique plus pratique avec BQML par ML GDE JeongMin Kwon (Corée) a présenté BQML et la modélisation de séries chronologiques et a montré quelques functions pratiques avec les implémentations BQML ARIMA+ et Python.

Recherche & Ecosystème

L’IA dans la santé par ML GDE Sara EL-ATEIF (Maroc) a présenté les functions de l’IA dans les soins de santé et les défis auxquels l’IA est confrontée dans son adoption dans le système de santé.

Les femmes en IA APAC terminé leur voyage à Membership de lecture papier ML. Pendant 10 semaines, les contributors ont acquis des connaissances sur la recherche exceptionnelle en apprentissage automatique, ont appris les dernières strategies et ont compris la notion de «recherche ML» parmi les ingénieurs ML. Voir leur séance ici.

Un modèle de compréhension du langage naturel LaMDA pour les functions de dialogue par ML GDE Jerry Wu (Taïwan) a présenté le idea de compréhension du langage naturel (NLU) et partagé le mode de fonctionnement de LaMDA, le réglage fin du modèle et les indicateurs de mesure.

bibliothèque Python pour le prétraitement de la PNL arabe (Ruqia) par ML GDE Ruqiya Bin (Arabie saoudite) est sa première bibliothèque python à servir la PNL arabe.

Anatomie des projets Capstone ML 🫀par ML GDE Sayak Paul (Inde) a évoqué le fait de travailler sur des projets Capstone ML qui vous accompagneront tout au lengthy de votre carrière. Il a couvert divers sujets allant de la sélection des problèmes au resserrement des pièges strategies en passant par la présentation. Et en Améliorer en tant que praticien ML il a partagé son apprentissage de l’expérience sur le terrain en travaillant sur plusieurs features.

Transcender les lois de mise à l’échelle avec 0,1 % de calcul supplémentaire par ML GDE Grigory Sapunov (Royaume-Uni) a passé en revue un article récent de Google sur UL2R. Et sa publication Découvrir des algorithmes de multiplication matricielle plus rapides grâce à l’apprentissage par renforcement expliqué remark fonctionne AlphaTensor et pourquoi il est necessary.

Retour en personne – Invitations, directions et l’avenir des grands modèles de langage par TFUG Singapour et ML GDE Sam Witteveen (Singapour) et Martin Andrews (Singapour). Cet événement a porté sur les avancées récentes dans le domaine des grands modèles de langage (LLM).

ML pour la manufacturing : L’artwork du MLOps dans l’écosystème TensorFlow avec GDG Casablanca par TFUG Agadir discuté de la motivation derrière l’utilisation de MLOps et de la manière dont il peut aider les organisations à automatiser de nombreux factors faibles dans le processus de manufacturing de ML. Il a également couvert les outils utilisés dans l’écosystème TensorFlow.