Local blog for Indonesian speaking developers
Rekap TensorFlow Dev Summit 2019
13 March 2019
Ditulis oleh Fred Alcober dan
Sandeep Gupta
, atas nama tim TensorFlow
TensorFlow mengadakan
Developer Summit
tahunan yang ketiga dan terbesar di Sunnyvale, CA pada tanggal 6 dan 7 Maret 2019. Acara ini dihadiri oleh sekitar 1.000 penggemar machine learning dan
disaksikan melalui streaming langsung
oleh puluhan ribu lainnya.
Dalam tiga tahun sejak diluncurkan, TensorFlow telah matang sepenuhnya menjadi ekosistem machine learning (ML) end-to-end, dan membantu mendorong revolusi ML yang kita lihat terjadi di sekitar kita. TensorFlow telah didownload lebih dari 41 juta kali dan memiliki lebih dari 1.800 kontributor dari seluruh dunia. TensorFlow sebagai platform ML yang komprehensif membantu banyak praktisi, peneliti, dan pengguna baru untuk membangun solusi baru yang luar biasa untuk memecahkan masalah yang menantang dengan AI. Misalnya:
siswa di Delhi membangun aplikasi seluler untuk
mendeteksi perubahan kualitas udara
engineer di Twitter
memunculkan konten yang paling relevan
untuk pengguna mereka
fisikawan di GE Healthcare membuat
MRI lebih mudah diproduksi dan akurat
Pada developer summit, kami mengumumkan
rilis alfa TensorFlow 2.0
, yang menandai awal era TensorFlow 2.0 dan menghadirkan kemampuan kuat TensorFlow ke lebih banyak developer dan peneliti, membuatnya lebih mudah dibandingkan sebelumnya untuk membangun dan menggunakan ML. Kami juga mengumumkan kemitraan komunitas dan inisiatif edukasi baru dengan O’Reilly Media, Udacity, Deeplearning.ai di Coursera, dan fast.ai untuk membantu mendorong kolaborasi open source dan melatih generasi pengguna baru yang berikutnya. Selanjutnya, kami mendengarkan komunitas kami dan memperbarui dokumentasi developer seluruhnya dan mendesain ulang
tensorflow.org
untuk mempermudah dalam mendapatkan akses ke sumber daya dan informasi.
Selain update teknis dari tim TensorFlow, kami mendengarkan banyak pengguna kami dalam sesi perbincangan singkat yang menampilkan aplikasi-aplikasi luar biasa. Kami juga mengadakan ruang-peretas, sesi diskusi, dan lokakarya, di sini para peserta berinteraksi dengan tim TensorFlow, pertanyaannya akan dijawab, dipelajari dan dibagikan antar peserta.
Di bawah ini adalah highlight dan pengumuman penting dari event tersebut.
Mudah digunakan
Pada TensorFlow 2.0, fokus terbesar adalah membuat API lebih sederhana, lebih intuitif, dan natural untuk semua pengguna. Kami membuat komponen API terintegrasi lebih baik dengan tf.keras sebagai API tingkat tinggi yang disarankan untuk sebagian besar pengguna. Ini akan memungkinkan developer untuk beralih dari penyerapan data, transformasi, pembangunan model, pelatihan, dan penyimpanan, ke penerapan dengan jauh lebih mudah. Kami meluncurkan
TensorFlow Datasets
, kumpulan set data ML yang biasa digunakan dan siap digunakan dengan mudah di TensorFlow.
Developer di Roma yang baru menggunakan ML menggunakan TensorFlow
untuk membantu para paleografer menguraikan naskah abad pertengahan
Bersama dengan rilis alfa TensorFlow 2.0, kami menyediakan
fitur konversi dan migrasi
serta dokumentasi untuk membantu transisi dari kode 1.x ke 2.0. Hal ini dan banyak lagi sumber daya, contoh, dan studi kasus tentang TensorFlow bisa diakses dari situs
tensorflow.org
yang baru.
Kekuatan untuk bereksperimen dan menciptakan
TensorFlow mempercepat penelitian mutakhir. Ini dimulai dengan fleksibilitas bagi peneliti untuk membuat prototipe ide-ide mereka dengan cepat, melakukan banyak percobaan, dan mengulangnya. Dengan fitur-fitur baru di TensorFlow 2.0 seperti eager execution secara default, alur kendali Python yang intuitif, optimalisasi otomatis kode eager dengan tf.function, dan pengiriman pesan error yang jauh lebih baik, kami menyempurnakan pengalaman pengembangan peneliti.
Para peneliti di NERSC di Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory, dan NVIDIA memenangkan Gordon Bell Prize karena berhasil menskalakan aplikasi deep learning pada superkomputer Summit menggunakan TensorFlow
untuk mempelajari efek cuaca ekstrem
Penelitian skala besar dalam machine learning juga membutuhkan komputasi paralel yang masif. Sejak tahun lalu, kami telah mempercepat pelatihan 8 V100s lebih dari 2x. Menggunakan Cloud TPU v2, kami telah meningkatkan kinerja sebesar 1,6x, dan dengan akselerasi Intel MKL kami berhasil meningkatkan kecepatan inferensi lebih dari 3 kali. Performa yang luar biasa adalah fokus utama dari TensorFlow 2.0, dan merupakan bagian inti dari kemajuan kami menuju rilis final.
Ekosistem TensorFlow mencakup kumpulan besar
add-on yang sangat kuat
yang memperluas TensorFlow dengan cara baru dan berguna. Beberapa add-on yang kami jelaskan meliputi:
TensorFlow Federated
: library untuk pembelajaran gabungan guna memanfaatkan data desentralisasi yang
diumumkan
di event
TensorFlow Privacy
: library yang dikembangkan dengan fitur untuk membantu
melatih model dengan privasi diferensial
TensorFlow Probability
: library untuk menggunakan metode probabilistik dalam model ML untuk membuat prediksi yang berhubungan dengan ketidakpastian dan memasukkan pengetahuan domain
TensorFlow Agents
: library untuk pembelajaran penguatan di TensorFlow 2.0
Kemajuan dalam pemrosesan urutan dan teks seperti dukungan untuk
teks Unicode
dan
tipe RaggedTensor baru
untuk data dengan bentuk yang tidak seragam
Mesh TensorFlow
: library yang kuat bagi peneliti untuk membangun dan melatih model berskala sangat besar menggunakan teknik paralelisme
Sonnet
dari
DeepMind
: sebuah contoh bagaimana lab riset bisa membangun library mereka sendiri di atas framework dapat diperluas dan modular dari TensorFlow
Produksi di platform apa pun dengan bahasa apa pun
Mengambil model dari riset hingga produksi selalu menjadi kekuatan inti dan fokus TensorFlow. Dengan menggunakan TensorFlow, Anda bisa menerapkan model di sejumlah platform seperti server, cloud, seluler dan perangkat canggih lainnya, browser, dan banyak platform Javascript yang lain.
Engineer di Airbnb menggunakan TensorFlow
untuk secara akurat mengklasifikasikan jutaan gambar rumah yang diupload dalam sehari
TensorFlow untuk Produksi
TensorFlow Extended (TFX)
menghadirkan pengelolaan seluruh siklus machine learning kepada pengguna kami. Ia memiliki beberapa library komponen dan kami mengumumkan fitur baru dalam komponen-komponen ini, tetapi yang lebih penting, dukungan orkestrasi yang baru menyatukan semuanya guna menyediakan pengguna dengan platform end-to-end terintegrasi (lihat contohnya
di sini
). Dengan dukungan untuk orkestrator Anda sendiri, komponen TFX terintegrasi dengan penyimpanan metadata. Penyimpanan ini melacak semua komponen yang berjalan, artefak yang masuk ke dalamnya, dan artefak yang dihasilkan. Ini mengaktifkan fitur-fitur canggih seperti pelacakan eksperimen, perbandingan model, dll. yang tentunya akan sangat meningkatkan kasus penggunaan produksi.
TensorFlow untuk Seluler & IoT
TensorFlow Lite
, solusi kami untuk menjalankan model pada sistem seluler dan sistem tersemat, telah sukses secara global dan sekarang berjalan di lebih dari 2 miliar perangkat seluler — memimpin ML generasi berikutnya pada perangkat. Ia membantu pengguna menyelesaikan
kasus penggunaan
seperti pembuatan teks prediktif, klasifikasi gambar, deteksi objek, pengenalan audio, pengenalan text to speech dan speech to text, segmentasi video, dan deteksi edge serta banyak lagi yang lain.
Di event tersebut, kami mendengar bagaimana perusahaan internet global seperti Alibaba XianYuin dan Netease menggunakan TensorFlow Lite untuk memberikan pengguna pengalaman aplikasi yang lebih baik. Kami juga berbicara tentang
kinerja ML TensorFlow Lite yang luar biasa
dan bagaimana ia memberdayakan ML dalam aplikasi Google utama seperti Penelusuran, Asisten, Foto, dan Pixel.
Ada peningkatan besar pada kegunaan umum TensorFlow Lite dan fitur konversi model bersama dengan peningkatan fokus pada
optimalisasi (mis. kuantisasi)
dan
kinerja (mis. Akselerasi GPU)
. Kami juga menunjukkan bagaimana TensorFlow Lite memberdayakan machine learning pada edge dan IoT di platform seperti
Coral TPU
dan
papan mikrokontroler
(MCU).
TensorFlow untuk JavaScript
Javascript adalah salah satu bahasa pemrograman yang paling banyak digunakan, dan
TensorFlow.js
menghadirkan ML ke developer JavaScript. Sejak diluncurkan, Javascript telah diadopsi secara luar biasa oleh komunitas dengan lebih dari 300.000 download dan 100 kontributor. Pada summit ini, kami mengumumkan
TensorFlow.js versi 1.0
. Fitur utama dari rilis ini meliputi peningkatan kinerja yang signifikan (MobileNet v1 lebih cepat 9 kali lipat di browser untuk inferensi dibandingkan dengan tahun lalu), banyak model baru untuk developer web yang dimasukkan ke dalam aplikasi, dan dukungan untuk lebih banyak platform tempat JavaScript berjalan. Perusahaan seperti AirBnb dan Uber adalah beberapa perusahaan yang menggunakan TensorFlow.js dalam lingkungan produksi dan kami melihat kasus penggunaan baru yang luar biasa muncul setiap harinya di
galeri
komunitas project TensorFlow.js.
Selain penerapan, TensorFlow.js bisa digunakan untuk membangun dan melatih model machine learning secara langsung dalam JavaScript baik di browser maupun dengan dukungan Node.js.
Swift untuk TensorFlow
Kami juga membagikan progress kami dengan paket
Swift untuk TensorFlow
terbaru. Dengan versi 0.2 yang baru saja dirilis, pengguna bisa melihat peningkatan kegunaan dan mencoba paradigma ML baru ini. Untuk mempermudah dalam memulai Swift, kami meluncurkan kursus machine learning baru menggunakan
Swift untuk TensorFlow dengan fast.ai
.
Komitmen terhadap pertumbuhan komunitas
Keberhasilan TensorFlow sebagian besar adalah berkat komunitas pengguna dan developernya yang luar biasa dan terus berkembang. Kami mengembangkan TensorFlow 2.0 dengan selalu memperhatikan masukan komunitas, melalui
proses RFC
terbuka, banyak Grup Minat Khusus baru, dan masukan serta pengujian
komunitas Google Developer Expert
kami.
Kami telah meluncurkan campaign baru
#PoweredByTF
dan menemukan project baru yang luar biasa sedang dibangun oleh pengguna kami. Kami mengumumkan program
Google Summer of Code
tempat siswa bisa mengajukan permohonan untuk bekerja dengan tim engineering TensorFlow untuk bersama-sama melakukan pengembangan langsung. Kami juga meluncurkan Powered by TF Challenge baru yang diselenggarakan di
DevPost
khusus bagi pengguna untuk membuat dan berbagi karya terbaru dan terbaik mereka dengan TensorFlow 2.0.
Sumber daya edukasi yang hebat adalah kunci untuk demokratisasi dan adopsi machine learning. Kami mengumumkan dua sumber daya edukasi baru untuk memudahkan pemula dan orang yang ingin belajar untuk memulai TensorFlow. Yang pertama adalah deeplearning.ai Course 1 — “
Intro to TensorFlow for AI, ML and DL
”, bagian dari seri TensorFlow: from Basics to Mastery yang diselenggarakan di Coursera. Yang kedua adalah Udacity
Intro to TensorFlow for Deep Learning
. Kedua kursus itu dirancang dengan mempertimbangkan developer serta tidak memerlukan pengalaman machine learning sebelumnya dan sudah tersedia sekarang.
Dan yang terakhir, kami mengumumkan
TensorFlow World
, konferensi seminggu yang didedikasikan untuk mendorong kolaborasi open source dan semua hal tentang TensorFlow. Konferensi ini, yang dibawakan bersama oleh O'Reilly Media dan TensorFlow, akan diadakan di Santa Clara, CA pada hari minggu 28 Oktober. Visi kami adalah menyatukan dunia TensorFlow yang menakjubkan dan memberikan kesempatan bagi orang-orang untuk terhubung satu sama lain.
Panggilan proposal
terbuka bagi peserta bila ingin mengirimkan dokumen project TensorFlow yang menarik atau bagi perusahaan bila ingin menunjukkan terobosan solusinya menggunakan TensorFlow, dan kami sangat menantikan Anda di sana.
Di Google,
kami percaya
aplikasi dan riset AI akan maju lebih cepat ketika semua pengguna memiliki akses ke fitur terbaik, sehingga memungkinkan semua orang untuk berpartisipasi. TensorFlow didedikasikan untuk membantu memberdayakan semua pengguna ML. Kami berkomitmen untuk bekerja sama dengan komunitas untuk membuat TensorFlow mudah bagi semua orang dan
mengejar AI untuk kebaikan bersama
!
No comments :
Post a Comment
Subscribe
Labels
64bit
actions on google
ad blocking
admob
agency
amp
android
android development
Apps
arcore
Artificial Intelligence
assistant
augmented reality
chrome
chrome ads
coalition
coalition for better ads
data binding
develop
dialogflow
documentation
domains
doubleclick
featured
film
firebase
flutter
gmail
google bisnisku
google cloud
google code-in
google design
google font
google for entrepreneurs
google io
google maps
google partners
google photos
google play
Google Play Console
Google Play Devs
google sign-in
GooglePlay
gsuite
ios
jetpack
kubernetes
launchpad
launchpad accelerator
Localization
Machine
machine learning
material design
pagespeed
progressive web app
python
tensorflow
vr
web
workmanager
Archive
2019
Mar
Feb
Jan
2018
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2017
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2016
Dec
Nov
Google
on
Follow @googledevsid
No comments :
Post a Comment