新聞來源：INSIDE
原文網址：https://bit.ly/2q250XZ
準確度高達 95％！Google 最新機器學習應用： 來自哪間連鎖拉麵分店都能辨認
如果你是常常在網上搜尋好料的美食達人，那麼一張沒有打卡或標記的食物照也許仍可一眼看出來自哪間餐聽，對於餐廳來說將這些四散在網路上的自家餐點照片評價分類收錄需要透過人力來審查相當費時，如何在街坊中形形色色的餐館辨識出其為哪家店所拍攝？機器學習也許是個不錯的方法。如果你是常常在網上搜尋好料的美食達人，那麼一張沒有打卡或標記的食物照也許仍可一眼看出來自哪間餐聽，對於餐廳來說將這些四散在網路上的自家餐點照片評價分類收錄需要透過人力來審查相當費時，如何在街坊中形形色色的餐館辨識出其為哪家店所拍攝？機器學習也許是個不
錯的方法。如果你是常常在網上搜尋好料的美食達人，那麼一張沒有打卡或標記的食物照也許仍可一眼看出來自哪間餐聽，對於餐廳來說將這些四散在網路上的自家餐點照片評價分類收錄需要透過人力來審查相當費時，如何在街坊中形形色色的餐館辨識出其為哪家店所拍攝？機器學習也許是個不錯的方法。
近日 Google 在部落格發表的最新研究，研究人員使用 Google AutoML Vision 對東京日本的拉麵連鎖店的每個菜單進行分類。首先從 41 家連鎖店每家分別收集 1170 張照片，並將 48,000 張拉麵照片的數據集提供給程式。電腦花費大約 24 小時完成 AutoML 的數據訓練，最終此模型能夠以 95％的準確度預測拉麵來自哪間分店。
不過關於 AutoML 是如何檢測拉麵的差異？研究員首先假設該模型透過分析碗或桌子的顏色或形狀 ，不過很顯然的它們是連鎖餐廳使用的碗筷和桌子設計是一樣的模型仍然可以準確辨別來源。研究人員 Kenji 認為該模型之所以達到高準確率，是因為區分出各家店肉塊切面之間微小的差異，或是碗內擺放配料的方式些微差異。他將繼續對 AutoML 進行測試來證明這項假設。
因此，Google 的 Cloud AutoML 提供企業品牌解決方案，透過機器學習辨識精準定位，對餐廳來說能有效觸及更廣大的消費者，未來可能運用的場景甚至能讓用戶在 Instagram 等社群軟體查找未加註標籤的餐點之店家位置。
Google 機器學習運用在飲食生活的案例越來越具體，像是在韓國的外送服務龍頭 yogiyo ，過去工作人員每天需審查超過 2000 張照片，而在這其中甚至還有 10% 的照片並非食物，在人力資源不足的情況下要人工審查的方式進行分類非常沒效率，於是他們藉由 Tensorflow 和卷積神經網路 (Convolutional Neural Networks) 的遷移式機器學習技術, 執行圖像內容分析 (Image Content Analysis)，讓 2000 張美食照片審查分類的過程在 2 小時內完成, 並達到 94% 以上的準確度。
Google Cloud AutoML 提供客戶簡單、彈性、且優於產業安全標準的機器學習服務，讓企業、開發者等客戶可以在有限的人工智慧專家下訓練出個人化的視覺模型，目前持續有越來越多公司投入開發資源，機器學習的具體應用將能為公司帶來實質的效率提升。