了解 TensorFlow 如何解决实际的日常机器学习问题
Explore how various companies from a wide variety of industries implement ML to solve their biggest problems. From healthcare to social networks and even ecommerce, ML can be integrated into your industry and company.
Interested in utilizing ML in your own business? Connect with one of our AI Service Partners to learn more.
所有案例研究和案例简述
Airbnb 的工程和数据科学团队使用 TensorFlow 应用机器学习，以大规模地进行图像分类和对象检测，从而帮助改善房客体验。
机器学习有助于监测地球表面的变化以进行城市规划，并且有助于打击违法建筑和测绘自然灾害造成的破坏和景观变化。
适用于 Android Neural Networks API (NNAPI) 的 Arm NN 提供了一种硬件抽象层 (HAL)，该硬件抽象层以 Arm Mali GPU 为目标，可将 TensorFlow Lite 等机器学习框架的性能提升 4 倍以上。
Carousell 在 Google Cloud ML 上使用 TensorFlow 构建了深度图像和自然语言理解机器学习模型。卖家借助图像识别技术获得更加简化的发布体验，而买家可通过推荐和图像搜索功能发现更符合个人需求的商品信息。
CEVA 用于深度学习和在边缘设备上进行 AI 推断的 NeuPro 和 CEVA-XM AI 处理器可以使用 CEVA CDNN 编译器自动转换经过 TensorFlow 训练的网络，以便在实时嵌入式设备中使用这些网络。
中国移动使用 TensorFlow 打造了一种深度学习系统，可以自动预测切换时间范围、验证操作日志和检测网络是否存在异常。这一系统已经成功地为世界上规模最大的迁移项目提供支持，涉及数亿个 IoT HSS 号码。
GE Healthcare 使用 Tensorflow 训练神经网络在颅脑磁共振成像 (MRI) 检查期间识别特定解剖结构，帮助提高检查速度和可靠性。
Google 使用 TensorFlow 为 Google 搜索、Gmail 和谷歌翻译等产品中的机器学习实现提供支持，以协助研究人员实现新的突破，甚至在人道主义和环境挑战方面取得进展。
这项工作将性能提升了高达 2.8 倍，让 TensorFlow 社区以及在 Intel 平台上使用 Tensorflow 的各种客户因此受益。
Kakao Mobility 使用 TensorFlow 和 TensorFlow Serving 在我们为叫车请求派遣司机时预测行程完成率。
Lenovo LiCO 平台通过 TensorFlow 集成和优化，加快了 AI 训练和传统高性能计算的速度，并优化了深度学习训练。LiCO 提供了各种内置 TensorFlow 模型，并支持对这些模型进行优化的分布式训练。
2016 年初，流利说算法团队首次将 TensorFlow 应用于其内部机器学习项目。这种易于使用的机器学习框架帮助该团队打造了一款英语教学应用。
通过 TensorFlow，NAVER Shopping 每天可自动将超过 2000 万个新登记的商品与约 5000 个类别匹配，以便系统地整理商品，使用户能更轻松地搜索商品。
NERSC 和 NVIDIA 成功地将深度学习科学应用扩展到超过 27000 个 Nvidia V100 Tensor Core GPU，在这一过程中突破了 ExaFLOP 障碍。
通过 TensorFlow、深度迁移学习和生成模型，PayPal 能够识别复杂、瞬时多变的欺诈模式，以提高欺诈拒绝的准确率，同时通过提高识别精确率改善合法用户的体验。
Qualcomm 在 Snapdragon 移动平台以及针对 IoT、计算、XR 和汽车设计的芯片组组合上优化并加速 TensorFlow 和 TensorFlow Lite 模型。
使用 TensorFlow 对视网膜 OCT 图像进行疾病分类和分割。三类疾病分别为脉络膜新生血管、玻璃状疣或糖尿病性视网膜水肿。分割图像后，Sinovation Ventures 会指出图像中的可疑病变的边界。
Swisscom 利用 TensorFlow 深度定制机器学习模型，从而对文本进行分类，并在接到客户来电时确定他们的意图。
处理器 SDK 优化了 TensorFlow Lite 模型，将 CNN/DNN 推断从通用计算 Arm® 核心分流到专门打造的硬件加速器，从而增强了机器视觉、机器人、汽车 ADAS 和许多其他应用的机器学习能力。
Twitter 使用 TensorFlow 构建了“排名时间轴”，让用户能够确保自己不会错过最重要的 Twitter 微博，即使关注了成千上万的用户也没关系。
VSCO 使用 TensorFlow Lite 开发了“For This Photo”功能，该功能使用设备端机器学习识别用户正在编辑的照片类型，然后从精选列表中建议相关的预设滤镜。
