Gépi tanulással spórol adatforgalmat a Google
Újabb gépi tanulásos technológiát indított útjára a Google a RAISR megoldással. Magas és alacsony felbontású képeket tanulmányoztattak a rendszerrel a kutatók, ez alapján a "lebutított" képeket is jó minőségben tudja megmutatni a Google+-on.
Kiterjesztené széles körben a Google az alacsony felbontású képek élesebb hatást elérő gépi tanulásos megoldását. A RAISR (Rapid and Accurate Image Super-Resolution) azt ígéri, hogy az alacsony felbontású képek esetén rekonstruálni tudja a hiányzó információkat és így magasabb felbontásra tudja azokat skálázni. Az egyik hasznosítási terület az internetes képátvitel lehet, ahol észrevehető minőségvesztés nélkül lehet a technikával visszabutítani a képeket.
A cég kísérlete szerint az eljárás alkalmazásával akár 75 százalékos adatforgalom is megspórolható. A példában az eredetileg 1000x1500 pixel felbontású, 100 kilobájtos fotót 25 kilobájtra butítva egész hatékonyan sikerült visszaállítani a hiányzó információt, így negyedakkora adatforgalom mellett is közel azonos képminőséget sikerült elérni.
A nagy felbontású képek megtekintése böngészés közben nagy sávszélességet igényel, ami lassabb betöltődési időhöz és adott esetben magasabb adathasználati költségekhez vezet - főleg mobilos böngészés közben. Ezért novemberben elkezdte tesztelni a RAISR technológiát a Google+ felületén, amely Peyman Milanfar Google-kutató szerint legalább tízszer de akár százszor gyorsabban működik más hasonló megoldásokhoz képest, miközben a képek jó minőségben jelennek meg, így valós időben is használható a mobilalkalmazásokban. A megoldás a szokásos kompromisszumot jelenti egyébként: lehet a tömörítést (esetünkben veszteségesen) hatékonyabbá tenni, de ezért processzoridővel (esetünkben kliensoldali feldolgozással) kell fizetni.
Gépi tanulás közben a rendszernek magas és alacsony minőségű képet mutattak a fejlesztők, hogy ezeken keresztül az élfelismerést tanulmányozza az irányuk, az erősségük és az összefüggésük szempontjából. A különböző tulajdonságokkal rendelkező élek számára a rendszer eltérő szűrőket választ ki, mindig az aktuális kép számára a lehetőség szerint legjobbat. Egy tízezer képből álló gyűjtemény feldolgozása nagyjából egy órán keresztül tartott a rendszernek. A legnehezebb az olyan jellegzetes hibák kiküszöbölése az online formában megjelenő képeken, mint például moiré-mintázat, amely két vagy több hullám egymásra tevődésével kialakuló interferencia eredményeként jön létre, vagy a nem lineáris vonalaknál előforduló raszteres megjelenés.
Égbe révedő informatikusok: az Időkép-sztori Mi fán terem az előrejelzés, hogy milyen infrastruktúra dolgozik az Időkép alatt, mi várható a deep learning modellek térnyerésével?
A RAISR-t a Google már egy ideje nem csak kutatási körülmények között vizsgálja, a megoldást folyamatosan vezeti be tavaly november óta a Google+ rendszerben. Először csak néhány kiválasztott Android telefonon volt elérhető, a következő hetekben viszont a jelenleginél sokkal több felhasználó tapasztalhatja majd az új technológiát. A Google állítása szerint hetente már több mint egy milliárd képnél alkalmazza a RAISR-t. Az nem derült ki egyelőre, hogy a bevezetés továbbra is csak a Google+ felületén megjelenő fényképekre vonatkozik-e, vagy a rendszert alkalmazni fogják a fejlesztők más szolgáltatásokban is. Elképzelhető, hogy a tervek közt a Google Fotók vagy a képkereső reformja szerepel, de egyelőre a Google+ ideális tesztfelületnek tűnik.