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

Oracle ประกาศโอเพ่นซอร์ส Graphpipe เครื่องมือที่พัฒนาขึ้นมามีจุดประสงค์เพื่อช่วยอำนวยความสะดวกในการดีพลอยโมเดลของ machine learning โดยเฉพาะ

หัวหน้าโครงการของ Graphpipe คือ Vish Abrams กล่าวว่าถึงที่มาของโครงการ Graphpipe ว่าเนื่องจากทีมของเขาพัฒนา machine learning workflow อย่างหนัก แต่ก็ต้องพบกับความยากในการดีพลอยโมเดล จึงทำให้เกิดโครงการนี้ขึ้นมา ซึ่ง Abrams เห็นว่าทุกวันนี้กระบวนการพัฒนามีการปรับปรุงอยู่เรื่อย ๆ ในขณะที่การดีพลอยนั้นไม่ค่อยมีคนคำนึงถึงมากนัก

ไมโครซอฟท์ประกาศปรับปรุงลอจิกของ Windows Update ด้วยการนำ Machine Learning มาคาดเดาเวลาที่เหมาะสมในการรีสตาร์ทได้อย่างแม่นยำใน Windows 10 Insider Preview Build 17723

โมเดลนี้จะตรวจสอบว่าเรากำลังใช้งานคอมพิวเตอร์อยู่ หรือเพิ่งลุกจากหน้าจอไปทำธุระอื่น ทำให้ผู้ใช้ไม่ต้องหยุดทำงานรอ Windows อัปเดตและรีสตาร์ทหลังกลับมาจากห้องน้ำ หรือไปหยิบถ้วยกาแฟแค่ 5 นาที นอกจากนี้ยังสามารถแจ้งปัญหาผ่าน Feedback Hub ถ้าพบการรีสตาร์ทผิดเวลาเพื่อเพิ่มความแม่นยำให้กับโมเดล

Google ประกาศเพิ่มฟีเจอร์ใหม่ BigQuery ML โดยเป็นการนำฟีเจอร์ machine learning ใส่เข้าไปใน BigQuery ระบบฐานข้อมูลขนาดใหญ่ของ Google Cloud Platform และตอนนี้เริ่มเปิดให้ทดลองใช้งานแบบเบต้าแล้ว

การใส่ machine learning จะช่วยอำนวยความสะดวกให้ผู้ใช้งาน BigQuery สามารถสร้างโมเดล regression ทั้งแบบ linear และ logistic ได้จากในตัวฐานข้อมูลโดยตรง ไม่ต้องย้ายข้อมูลไปมา รวมถึงใช้โมเดลเพื่อทำนายได้เพียงแค่เขียน SQL เพิ่มอีกเล็กน้อยเท่านั้น

MFEC เปิดตัว mDefense โซลูชันวิเคราะห์และแจ้งเตือนล่วงหน้าด้วย Machine Learning เพื่อป้องกันปัญหาที่อาจจะเกิดกับระบบหลังบ้านของแอปพลิเคชันขององค์กร โดยโซลูชันนี้พัฒนาต่อยอดมาจากแพลตฟอร์ม Cisco Tetration

mDefense จะนำข้อมูลจาก Tetration Telemetry ร่วมกับ Application Performance Monitoring (APM) เพื่อสร้างโมเดลสำหรับ Machine Learning สำหรับคาดการณ์และแจ้งเตือนการเกิด downtime ของเซิร์ฟเวอร์และแอปขององค์กร รวมถึงแจ้งด้วยว่าจะส่งผลต่อผู้ใช้เท่าไหร่ จะสูญเสียเงินเท่าไหร่จากเหตุการณ์นี้ พร้อมบอกแนวทางแก้ไขก่อนเกิดเหตุ

แอปเปิลได้อัพเดตเว็บในหน้าผู้บริหารระดับสูง โดยเพิ่ม John Giannandrea อดีตหัวหน้าฝ่ายเสิร์ชและ AI ของกูเกิล ที่มีข้อมูลว่าย้ายมาอยู่แอปเปิลเมื่อเดือนเมษายน ซึ่งตำแหน่งของเขาคือหัวหน้าฝ่าย Machines Learning และยุทธศาสตร์ AI

รายละเอียดของหน้าที่นั้นบอกว่า Giannandrea จะดูภาพรวมของ AI และ Machines Learning ทั้งหมดในแอปเปิล ตลอดจนการพัฒนาเทคโนโลยี Core ML และ Siri

มีรายงานว่าในแอปเปิลเองก็มีการจัดองค์กรใหม่สำหรับฝ่ายนี้ โดยรวมทีมที่ดู Core ML กับ Siri ที่เดิมแยกกัน ให้มาอยู่ภายใต้ Giannandrea ทั้งหมด ซึ่งจะช่วยให้ผลิตภัณฑ์มีการทำงานร่วมกันดีมากขึ้น

ในการทดลองนี้ได้ใช้ neural networks แบบ LSTM มาเรียนรู้แบบจำลองภาษาระดับอักขระจากวรรณคดีเรื่องพระอภัยมณีที่มีประมาณสองล้านตัวอักษร โดยเมื่อเรียนรู้แล้วแบบจำลองภาษาให้ค่า bit per character ในชุดข้อมูลทดสอบเท่ากับ 2.0631

เมื่อให้แบบจำลองนี้ทำการผลิตลำดับของตัวอักษรตามความน่าจะเป็นที่ได้จากการเรียนรู้มา พบว่าผลลัพธ์ที่ได้มีความละม้ายคล้ายคลึงกับบทกลอนที่อยู่ในวรรณคดีเรื่องพระอภัยมณีอยู่พอสมควร ในด้านฉันทลักษณ์มีการจัดวรรคตอนได้ถูกต้อง จำนวนพยางค์ในแต่ละวรรคตรงตามข้อกำหนด และมีสัมผัสใน

Adobe พัฒนาปัญญาประดิษฐ์โดยใช้ machine learning ศึกษาภาพจำนวนมากจนสามารถตรวจสอบได้ว่าภาพแต่ละภาพนั้นผ่านการตัดต่อหรือไม่

วิธีที่มันใช้เพื่อการวิเคราะห์เพื่อจำแนกว่าภาพเหล่านั้นมีการตัดต่อหรือไม่ ก็คือการวิเคราะห์ noise ในภาพถ่าย ภาพแต่ละภาพนั้นจะมีรูปแบบลักษณะของ noise ที่แตกต่างกันจนสามารถใช้จำแนกภาพได้ และแม้แต่บริเวณต่างๆ ในภาพเดียวกัน ก็ยังมีรูปแบบของ noise ที่แตกต่างกันด้วย

ปัญญาประดิษฐ์ของ Adobe สามารถตรวจสอบภาพที่ผ่านการตัดต่อได้ 3 แบบ คือการเพิ่มวัตถุเข้าไปในภาพ (splicing), การทำซ้ำวัตถุในภาพ (copy move) และการลบบางสิ่งบางอย่างออกจากภาพ (removal)

Uber มีการลงทุนในเทคโนโลยีด้านต่าง ๆ ที่เกี่ยวข้องการขนส่ง-เดินทาง อยู่ตลอด แต่บางเรื่องพอกลับสู่พื้นฐานก็น่าสนใจดี โดยมีรายงานว่า Uber ได้ยื่นขอสิทธิบัตร สำหรับระบบที่ใช้ Machine Learning เพื่อตรวจดูว่าผู้โดยสารคนนั้นน่าจะกำลัง เมา อยู่หรือไม่

เอกสารระบุว่าระบบนี้จะสามารถระบุสถานะผู้ใช้งาน Uber ว่าดูผิดปกติไปจากเวลาทั่วไปหรือไม่ ซึ่งข้อมูลบ่งชี้มีทั้ง วิธีใช้โทรศัพท์, ตำแหน่งที่อยู่, ความแม่นยำในการป้อนข้อความ, ความเร็วในการป้อนข้อความ, ลักษณะการใช้แอป, ความเร็วในการเดิน ตลอดจนองศาที่ผู้ใช้ถือโทรศัพท์อยู่

ARM เปิดตัว CPU ระดับเรือธง Cortex-A76 แทนที่ Cortex-A75 ที่เปิดตัวไปเมื่อปีที่แล้ว โดย Cortex-A76 ยังคงใช้ DynamIQ เช่นเดียวกับ Cortex-A75 เพื่อการคอนฟิกคลัสเตอร์ที่หลากหลาย

ARM ได้นำเสนอถึงตลาดใหม่ของ ARM เอง (Windows 10 on ARM) โดยคาดการณ์ว่าสามารถเพิ่มประสิทธิภาพแล็ปท็อปที่ใช้ ARM ให้ดีกว่ารุ่นปัจจุบันได้ถึงสองเท่า ซึ่งรุ่นก่อนนั้นประสบปัญหาประสิทธิภาพ x86 ที่แย่กว่า Celeron N3450 ซึ่งเป็น CPU Intel ระดับล่างบนแล็ปท็อปเสียอีก

เมื่อเดือนมีนาคม กูเกิลเปิดคอร์สวิชา Machine Learning ที่ใช้สอนพนักงาน ให้คนทั่วไปเรียนฟรีออนไลน์ และประสบความสำเร็จอย่างสูง ตอนนี้ได้เวลาของคอร์สที่สองแล้ว

คอร์สใหม่ชื่อว่า Machine Learning Practicum on Image Classification เป็นคอร์สต่อเนื่องจากคอร์สแรก โดยเน้นไปที่การใช้ machine learning เพื่อแยกแยะรูปภาพ เนื้อหาเกี่ยวข้องกับ convolutional neural networks (CNNs) โดยจำเป็นต้องผ่านคอร์สแรกมาก่อน และมีทักษะเขียนโปรแกรมในภาษา Python บ้าง

หัวข้อหนึ่งที่น่าสนใจในงาน Google I/O 2018 คือ TensorFlow Lite เอนจินสำหรับประมวลผล deep learning ในอุปกรณ์พกพา ที่ทำงานได้ทั้งบน Android, iOS และลินุกซ์

กูเกิลเปิดตัว TensorFlow Lite ตั้งแต่งาน I/O ปี 2017 แต่ตอนนั้นยังไม่ค่อยมีใครเห็นภาพมากนักว่ามันคืออะไร เป้าหมายมีไว้ทำไม แต่เมื่อเวลาผ่านมาอีก 1 ปี ความชัดเจนก็เริ่มตามมา

กูเกิลเปิดตัวชุดพัฒนา ML Kit สำหรับใช้งานโมเดลปัญญาประดิษฐ์สำเร็จรูป หรือโมเดล TensorFlow Lite ที่พัฒนาเอง โดยรวมชุดเข้ากับชุดพัฒนา Firebase

ML Kit มีโมเดลสำเร็จรูปเพื่อใช้งานบนอุปกรณ์ นำมาจาก Google Vision API ได้แก่ การแปลงภาพเป็นข้อความ, ตรวจจับใบหน้า สแกนบาร์โค้ด, จัดหมวดหมู่ภาพ (ใหม่) ส่วนโมเดลที่รันบนคลาวด์ได้แก่ การแปลงภาพเป็นข้อความเพิ่มความแม่นยำจากการรันบนอุปกรณ์เอง, การจัดหมวดหมู่ภาพ, และการจดจำสถานที่สำคัญ

ส่วนการรันโมเดล TensorFlow Lite เป็นการรวมตัวระหว่างซอฟต์แวร์ TensorFlow Lite และ Neural Network API ทำให้นักพัฒนาสามารถรันโมเดลได้จาก SDK ชุดเดียว

กูเกิลเปิดตัว ML Kit บริการในเครือ Firebase สำหรับนักพัฒนาที่ต้องการฟีเจอร์ด้าน AI สำหรับแอพของตัวเอง ใช้ได้ทั้ง Android และ iOS

ML Kit ประกอบด้วยฟีเจอร์ด้าน AI พื้นฐานหลายอย่าง เช่น ตรวจจับใบหน้า แปลงภาพเป็นข้อความ คัดแยกประเภทรูปภาพ อ่านบาร์โค้ด ค้นหาสถานที่จากรูปภาพ รวมถึงฟีเจอร์ Smart Reply แบบในแอพ Gmail/Inbox บนมือถือ

ML Kit จะทำงานทั้งบนคลาวด์และบนอุปกรณ์ โดยรันบนเอนจิน TensorFlow Lite ที่รองรับทั้ง Android กับ iOS

ไมโครซอฟท์ประกาศในงาน Build 2018 ว่า Windows 10 อัพเดตตัวหน้า (Redstone 5 ช่วงปลายปี) จะมีฟีเจอร์ใหม่คือ Windows AI Platform สำหรับประมวลผล machine learning ด้วยจีพียู

ตัวอย่างการใช้งานที่ไมโครซอฟท์นำมาเสนอคือการใช้งานในภาคอุตสาหกรรม เริ่มจาก Azure Machine Learning บนคลาวด์เพื่อเทรนโมเดล จากนั้นส่งโมเดลไปดีพลอยในอุปกรณ์ IoT ผ่านกระบวนการของ Azure IoT Edge

การประมวลผลจะเกิดขึ้นที่อุปกรณ์ปลายทาง (ซึ่งรัน Windows 10) เมื่อบวกกับพลังของจีพียูรุ่นใหม่ๆ และ Windows AI Platform ทำให้สามารถรันโมเดลได้อย่างมีประสิทธิภาพที่ตัวอุปกรณ์ปลายทางได้เลย (Intelligent Edge) ไม่ต้องส่งกลับมาประมวลผลบนคลาวด์อีกครั้ง

Amazon SageMaker เป็นบริการตัวหนึ่งของ AWS ทำหน้าที่สร้างโมเดล machine learning บนคลาวด์ของ AWS จุดเด่นคือการนำข้อมูลจากบริการ S3, RDS, DynamoDB, Redshift มาใช้งานได้ง่าย

SageMaker รองรับเฟรมเวิร์คด้าน machine learning ยอดนิยมไม่ว่าจะเป็น TensorFlow, MXNet, Keras, Gluon, Pytorch, Caffe2, CNTK และอื่นๆ รวมถึงมีบริการช่วยให้เราเทรนโมเดลได้ง่ายภายในคลิกเดียว (ระบบอัตโนมัติจะสร้าง VM บน EC2 เพื่อรันงานให้เสร็จสรรพ)

ล่าสุด AWS ประกาศเปิดซอร์สคอนเทนเนอร์ TensorFlow และ MXNet ที่ SageMaker ใช้งานอยู่, เปิดให้ดาวน์โหลดคอนเทนเนอร์ไปรันบน local บนเครื่องตัวเอง และอัพเกรดเวอร์ชันซอฟต์แวร์เป็น TensorFlow 1.6.0 กับ MXNet 1.1.0 ด้วย