Auf seiner Google Cloud Next ’22 stellte der Technologieriese Translation Hub vor, einen Agenten, der Benutzern eine Self-Service-Dokumentenübersetzung bietet; neue Funktionen für das Dokumenten-KI-System; und ein neues Computer-Vision-Tool für die Vertex AI-Plattform.
Diese Produkte sollen Kunden helfen, „die Wertschöpfung durch KI durch das Google Cloud-Ökosystem zu beschleunigen“, sagte Chirag Dekate, Analyst bei Gartner.
Von der Sprachübersetzung bis zur Bilderkennung „vereinfachen viele der in Google Cloud-Ökosysteme integrierten Toolchains den Zugang (zur KI)“, fügt er hinzu.
Sprechen Sie den Endbenutzer mit Translation Hub an
„(Mit Translation Hub) konzentriert sich Google sehr auf den Endnutzer. Das Angebot ist wirklich für Gewerbetreibende gedacht. »
Dave SchubmehlAnalytiker, IDC
Der Start von Translation Hub erfolgt, nachdem Google Anfang dieses Jahres 24 neue Sprachen zu Google Translate hinzugefügt hat. In der Folge ermöglicht Translation Hub den Nutzern laut Google, Dokumente in Sekundenschnelle in rund 135 verschiedene Sprachen zu übersetzen. Nutzer können auch einen „Human in the Loop“ ins Spiel bringen. Diese Option ermöglicht es lokalen Experten, übersetzte Dokumente zu bearbeiten und auf Genauigkeit zu überprüfen.
Translation Hub hebt sich von anderen Übersetzungsangeboten ab, die Google in der Vergangenheit gestartet hat, beobachtet IDC-Analyst Dave Schubmehl. Dazu gehören die Übersetzungs-API des Anbieters für Programmierer und eine mobile Übersetzungs-App.
„(Mit Translation Hub) dreht sich Google sehr um den Endnutzer“, bemerkt Dave Schubmehl. „Das Angebot ist wirklich für Gewerbe gedacht“.
Vereinfachen Sie die Datenextraktion in Dokumenten
Mit Document AI richtet sich Google stärker an Entwickler und Analysten.
„Eines der Dinge, die die Leute derzeit am schwierigsten finden, ist die genaue Extraktion all dieser Informationen aus verschiedenen Arten von Dokumenten“, sagt Dave Schubmehl.
Mit der Vorschau von Document AI Workbench stellt Google sicher, dass es für Unternehmen einfacher ist, Informationen aus einem Dokumenttyp PDF entsprechend einem bestimmten Bedarf zu extrahieren.
Unternehmen können nun Interessengebiete extrahieren. Zu diesem Zweck haben Benutzer Zugriff auf eine Umgebung zum Kennzeichnen von Dokumenten (mit Angabe der zu extrahierenden Werte) und auf vortrainierte OCR-Prozessoren, die sie anpassen können, um ihre eigenen Extraktionsmodelle zu erstellen.
Nach Beobachtungen von LeMagIT kann ein Business-Experte an einem solchen Projekt teilnehmen. Die von Workbench bereitgestellten Metriken zur Bewertung der Modellgenauigkeit sind jedoch für einen Statistiker oder Datenwissenschaftler besser lesbar.
In der Vorschau sollte Document AI Warehouse es Unternehmen ermöglichen, strukturierte oder unstrukturierte Dokumente zu durchsuchen, Workflow-Steuerungen zu erstellen und in diesen Dokumenten nach benannten Entitäten zu suchen. Ontologien können manuell mithilfe einer Labeling-Schnittstelle oder automatisch mithilfe eines Dokumenten-KI-Modells erstellt werden. Das Warehouse enthält auch Dateimetadaten und zugehörige Vektoren (die aus Dokumenten extrahierten Elemente).
Im Wesentlichen kann ein mit der Document AI Workbench erstelltes Modell verwendet werden, um im Warehouse gespeicherte Dokumente zu verarbeiten. Auch der Aufruf eines Document-AI-Modells per API ist beispielsweise nach Erhalt einer Rechnung oder eines Lieferscheins im PDF-Format möglich.
Bringen Sie Computer Vision zu Entwicklern
Darüber hinaus ist der Vertex AI Vision-Dienst laut Dave Schubmehl ein Beispiel für die Erweiterung von Computer-Vision-Anwendungsfällen. Dieses On-Demand-Angebot für maschinelles Sehen macht die Bilderkennung für eine größere Anzahl von Datenunternehmen zugänglich.
Vertex AI Vision erweitert die Fähigkeiten von Vertex AI. Vertex AI ist eine „Plattform“, die 2021 eingeführt wurde, um die bestehenden Tools für maschinelles Lernen von Google Cloud in einer einzigen Umgebung zu vereinen.
„Das Hinzufügen dieser Leistungsebene durch Google wird nur die Türen zu mehr Anwendungsfällen auf dem Markt öffnen. »
Dave SchubmehlAnalytiker, IDC
Laut Google soll Vertex AI Vision Entwicklern helfen, die Zeit zu verkürzen, die zum Erstellen von Computer-Vision-Anwendungen benötigt wird. Die Lösung verfügt über eine Drag-and-Drop-Oberfläche und eine Bibliothek mit vortrainierten Modellen für Aufgaben wie Objekterkennung, Personenzählung oder Produkterkennung.
Beachten Sie, dass Vertex AI Vision die Erstellung von Anwendungen ermöglicht, indem in Echtzeit aus Videostreams extrahierte Daten genutzt werden, was unter anderem die Aktivierung von Gesichtsunschärfemodellen erleichtert.
„Diese kostengünstigen Computer-Vision-APIs gibt es schon seit einiger Zeit, aber sie waren nicht immer einfach zu bedienen“, sagt Schubmehl. “Googles Hinzufügung dieser Leistungsebene wird nur die Türen zu mehr Anwendungsfällen auf dem Markt öffnen.” Die Kosten wären jedoch nicht niedrig genug. „Mit der Einführung der monatlichen Preisgestaltung im zweiten Quartal 2023 wird Vertex AI Vision zehnmal weniger kosten als aktuelle Angebote“, verspricht GCP.
Obwohl Google vortrainierte Modelle bereitstellt, können Unternehmen auch ihre eigenen Computer-Vision-Algorithmen importieren. Diese Organisationen müssen sich noch viel mehr anstrengen, warnt der Analyst. Sie können jedoch AutoML-Funktionen verwenden, um den Prozess ein wenig zu beschleunigen.
Die andere Herausforderung besteht darin, sicherzustellen, dass Sehmodelle verantwortungsbewusste KI-Standards erfüllen und keine Gesichtszüge oder privaten Krankenakten anzeigen. In diesem Sinne sagte Google, dass es seine eigenen verantwortungsbewussten KI-Richtlinien befolgt, um einige dieser Probleme anzugehen.
MLOps für Data-Science-Teams
In einem anderen Teil der Vertex-KI-Galaxie hat Google Cloud die allgemeine Verfügbarkeit von Model Registry angekündigt. Diese Umgebung speichert die Modelle und ihre verschiedenen Varianten sowie die zugehörigen Metadaten, um deren Lebenszyklus zu verwalten. Zudem verbessert der Anbieter sukzessive seinen Feature-Store, in dem es bald möglich sein wird, Parameter zu löschen, vor allem aber im Streaming einzuspielen. Dies würde es ermöglichen, die Parameter in wenigen Sekunden zu ändern, um eine von einer Webanwendung ausgeführte Verarbeitung zu optimieren.
Hier betont Google Cloud MLOps für Data-Science-Teams. Der Druck auf Ingenieure steigt sukzessive, KI-Modelle in der Produktion einzusetzen.
„All dies soll Unternehmen dabei helfen, eine Pipeline oder ein Portfolio von Projekten zu erstellen, um die Produktion zu beschleunigen und die Vorteile der KI zu nutzen“, sagt Chirag Dekate.
