티스토리 뷰

Google I/O에서 소개된 TensorFlow의 새로운 내용이 잘 정리된 글을 발견하고 번역해봤습니다. 아래 글의 원본은 TensorFlow @ Google I/O'19 Recap 에서 확인 하실 수 있습니다. 혹시 번역에 문제가 있거나 기타 문의가 있다면 말씀해주세요. :-)


Google I/O'19가 끝났습니다! 5월 7-9일에 I/O에서 AI와 머신러닝 세션이 13개 다뤄졌는데요, TensorFlow는 2.0, AI for Mobile과 IoT 디바이스, TensorFlow용 Swift, TensorFlow Extended(TFX), TensorFlow.js, TensorFlow Graphics 등의 세션에서 만나 보실 수 있습니다. 이번 글에는 모든 세션 리스트와 링크가 담겨있습니다.
 
녹화된 세션은 TensorFlow YouTube채널을 통해 보실 수 있습니다 (전체 재생 리스트는 여기에서 확인하세요)
 
디바이스 머신러닝: The Options
개발자들은 모바일 앱과 엣지 디바이스를 향상시키기 위해 머신러닝을 이용하는데, 사용 가능한 옵션들이 많아서 혼란스럽습니다. 이 세션에서는 TensorFlow가 어떻게 학습 모델에 사용되는지 그리고 이 모델을 TensorFlow Lite와 함께 다양한 디바이스에서 어떻게 사용 할 수 있는지 보여줌으로써 옵션들을 확실하게 설명합니다.
 
TensorFlow 2.0 시작하기
TensorFlow 2.0입니다! 이 세션은 초보자와 전문가를 위해 몇 가지 예를 공유하고, TensorFlow 1.0과 2.0의 차이점을 다룹니다.
 
TensorFlow용 Swift
TensorFlow용 Swift는 1급 차별화 프로그래밍(differentiable programming)과 같은 혁신을 활용해서 전통적인 소프트웨어 개발과 딥뉴럴 네트워크를 유연하게 통합하는 차세대 머신러닝 플랫폼입니다. TensorFlow용 Swift가 어떻게 고급 머신러닝 연구를 쉽게 만들었는지, 그리고 Jeremy Howard의 fast.ai가 그들의 딥러닝 코스의 마지막 과정으로 TensorFlow용 Swift를 선택한 이유를 배워봅시다.
 
모바일용 AI와 IoT 디바이스: TensorFlow Lite
핸드폰의 데이터가 꺼져있을 때도 음성 명령을 듣거나 카메라를 통해 실시간으로 상품을 구분하는 앱을 상상해 보세요. 모든 디바이스에 TensorFlow Lite를 사용해서 AI를 구축하는 방법을 배우세요. 머신러닝 경험은 필요 없습니다. 앱에서 사용할 수 있는 pretrained 모델의 라이브러리를 찾거나 필요에 따라 정의하세요. 안드로이드와 iOS 앱에 얼마나 빠르게 ML을 추가할 수 있는지 확인할 수 있습니다.
 
TensorFlow Extended (TFX): 머신러닝 파이프라인과 모델 이해
이 세션에서는 TFX를 사용해서 프러덕션 머신러닝 파이프라인을 만드는것에 초점을 두고 이야기합니다. TFX 개발자는 모델링과 추론을 위해 큰 데이터세트를 처리할수 있는 머신러닝 파이프라인을 구현할 수 있습니다. 큰 데이터 세트에 대한 데이터 랭글링과 피쳐 엔지니어링 외에도 TFX는 상세한 모델 분석과 버전 관리를 가능하게 합니다. 이 세션은 TFX 파이프라인 구현과 모델 이해에 통용되는 주제에 대해 논의 하는데 초점을 맞춥니다.
 
자바스크립트 애플리케이션을 위한 머신러닝 마법
TensorFlow.js는 ML 모델을 브라우저와 Node.js에 훈련하고 배포하는 라이브러리로 자바스크립트 개발자에게 특별한 기회를 제공합니다. TensorFlow.js 생태계에 대해서 배워보세요: 기존 ML 모델을 JS 앱으로 가져오고 여러분의 데이터를 사용해서 모델을 다시 학습하고 브라우저를 넘어 다른 JS 플랫폼으로 이동하는 방법 등.
 
Federated Learning: 분산된 데이터에 대한 머신러닝
통합 학습을 만나보세요 : 사용자의 기기를 떠나 민감한 훈련 데이터없이 중앙 서버에서 통합하여 여러 기기 (예 : Android 폰)에서 머신러닝 모델을 훈련시키고 평가하는 기술입니다. 이 개인 정보 보호 기술이 Google 제품의 프로덕션에 배포되는 방법과 TensorFlow Federated를 통해 리서처(researchers) 및 파이어니어(pioneers)가 자신의 데이터 세트로 통합 학습을 시뮬레이션 할 수 있는 방법에 대해 알아보세요.
 
클라우드 TPU Pods: 거대한 머신러닝 문제를 해결하는 AI 슈퍼컴퓨팅
클라우드 Tensor Processing Unit (TPU)는 Google에서 뉴럴 네트워크 처리를 위해 설계 한 ASIC(Application-Specific Integrated Circuit)입니다. TPUs는 TensorFlow 학습 및 예측 작업 부하를 가속화하기 위해 특별히 설계된 도메인 별 아키텍처를 특징으로하며 머신러닝 프러덕션에 사용시 성능 이점을 제공합니다. 클라우드 TPU 및 클라우드 TPU Pod의 기술 세부 사항과 딥러닝을 학습을 위한 대규모 모델 병렬 처리를 가능하게하는 TensorFlow의 새로운 기능에 대해 알아보세요.
 
머신러닝의 공정성: Lessons Learned
ML 공정성은 머신러닝 개발에서 중요한 고려 사항입니다. 이 세션에서는 Google이 제품, 연구, 그리고 개발자가 이러한 학습 내용을 자체적으로 적용 할 수있는 방법을 통해 배운 몇 가지 교훈을 소개했습니다. 모델 성능 평가, 개발과 데이터 세트 및 Tensorflow Model Analysis와 같은 리소스를 활용할 수있는 기술에 대한 설명이 제공됩니다. 이 이야기를 통해 개발자는 제품 개발의 공정성에 대해 사전에 생각할 수 있습니다.
 
머신러닝 Zero to Hero
이번에는 코드를 알고 있지만 ML을 알지는 못하는 사람들을 위한 세션입니다. 머신러닝의 '새로운' 패러다임과 로직 시나리오, if/then 규칙과 기타 코드의 대체 구현 방법을 배웁니다. 이번 요약은 eager 모드, 학습 루프, 옵티 마이저 및 손실 함수를 포함하여 익숙하지 않은 ML의 새로운 개념을 이해하도록 가이드합니다.
 
TF-Agents: TensorFlow를위한 유연한 강화 학습 라이브러리
TF-Agents는 TensorFlow를 사용한 심층 강화 학습을 위한 클린하고 모듈적이며 잘 테스트 된 오픈 소스 라이브러리입니다. 이 세션에서는 Deep RL의 최근 발전에 대해 설명하고 TF-Agents가 프로젝트 시작을 도울 수있는 방법을 보여줍니다. TF-Agent 라이브러리 구성 요소를 혼합, 매칭 및 확장하여 새로운 RL 알고리즘을 구현하는 방법도 확인할 수 있습니다.
 
커팅 엣지 텐서플로: 새로운 기술
작년 IO 이후 TensorFlow에서 사용할 수있는 새로운 것들이 많이 있습니다. 이번 요약은 Keras Tuner가 있는 Hyperparameter Tuning에서 Probabilistic Programming에 이르기까지 가장 인기있는 4 가지 방법을 통해 학습 된 순위 기법 및 TF-Ranking으로 데이터의 순위를 매길 수 있습니다. 마지막으로 TensorFlow에 3D 기능을 제공하는 TF-Graphics를 살펴 보세요.
 
Google Coral 소개: 기기 내 AI 구축
이 세션에서는 기기 상 AI 애플리케이션 개발을 위한 새로운 플랫폼 인 Google Coral이 소개되었으며 TensorFlow 데모를 통해 ML 가속 기능을 선보였습니다. Coral은 private하고, 빠르고, 효율적인 뉴럴 네트워크 가속을 사용자의 장치에 바로 가져올 수있는 도구를 제공하며 프로토 타입에서 프러덕션에 이르기까지 AI 애플리케이션의 아이디어를 성장시킬 수 있습니다. Edge TPU 하드웨어 및 소프트웨어 툴의 기술 사양 및 애플리케이션 개발 프로세스에 대해 알아보세요.
 


 

댓글
댓글쓰기 폼