瞭解 TensorFlow 如何解決實際的日常機器學習問題
探索各行各業的公司如何採用機器學習來解決他們最頭痛的問題。從醫療保健到社交網路，甚至是電子商務，都能將機器學習整合到產業和公司中。
有興趣在自家公司中使用機器學習嗎？請與我們的 Trusted Partner 聯絡以瞭解詳情。
所有個案研究與提及產品的文章
Airbnb 的工程和數據資料學團隊使用了 TensorFlow 來應用機器學習，大規模將圖片分類並偵測物件，以協助改善顧客體驗。
機器學習可協助監控地球表面的變化，有助於都市規劃、對抗違建，以及界定自然災害所造成的損害範圍與地貌變化。
Arm NN for Android Neural Networks API (NNAPI) 提供了針對 Arm Mali GPU 的硬體抽象層 (HAL)，使 TensorFlow Lite 這類機器學習架構的效能提升超過 4 倍。
Carousell 在 Google Cloud ML 引擎使用 TensorFlow，建構能辨識深度圖片和理解自然語言的機器學習模型。有了圖片辨識功能，賣家張貼商品的流程變得更簡單；另一方面，買家可透過推薦內容和圖片搜尋，發掘更多相關商品資訊。
CEVA 的 NeuPro 和 CEVA-XM AI 處理器適用於深度學習與 AI 邊緣推論，可透過 CEVA CDNN 編譯器自動轉換 TensorFlow 所訓練的網路，供即時嵌入式裝置使用。
「中國移動」使用 TensorFlow 建立了深度學習系統，可自動預測系統截承的時間範圍、確認作業記錄，以及偵測網路的異常狀況。在這套系統的支援下，「中國移動」完成了世界上最大宗的 IoT HSS 號碼遷移作業，數量達到數億之多。
隨著人工智慧持續進展與 TensorFlow 愈趨成熟，可口可樂公司終於找到長久以來尋求的解決方案，能順暢地驗證購買記錄。
GE Healthcare 使用了 Tensorflow 訓練類神經網路，在進行腦部磁振造影 (MRI) 檢驗時辨識特定的解剖圖，以協助提升檢驗的速度和可靠性。
Google 運用 TensorFlow 在 Google 搜尋、Gmail 和 Google 翻譯等產品中實作機器學習，以協助研究人員發掘新知，甚至是在人道主義和環保議題方面取得進展。
這使得效能提升了高達 2.8 倍，TensorFlow 社群以及在 Intel 平台上使用 TensorFlow 的眾多客戶也因此獲益
Kakao Mobility 使用 TensorFlow 和 TensorFlow Serving，在依據乘車服務要求派遣駕駛時，預測行程完成率。
Lenovo LiCO 平台使用了 TensorFlow 進行整合和最佳化，加速了 AI 訓練和傳統高效能運算，並使深度學習訓練最佳化。LiCO 提供了各種內建的 TensorFlow 模型，還可以對這些模型進行最佳化的分散式訓練。
2016 年年初，「流利說」演算法團隊率先將 TensorFlow 應用在內部機器學習專案上。這個易於使用的機器學習架構，協助該團隊打造出英文教學應用程式。
使用 TensorFlow NAVER Shopping 自動比對每天超過 2 千萬個新近註冊產品，並將其分類成大約 5,000 個類別，以將產品進行系統化整理，便利使用者搜尋。
NERSC 和 NVIDIA 成功將科學用深度學習應用程式擴充成超過 27,000 個 Nvidia V100 Tensor Core GPU，在此過程中突破了 ExaFLOP 的瓶頸。
借助 TensorFlow、深度遷移學習和生成模型，PayPal 已能夠辨識會隨著時間變化的複雜詐欺模式，增加識破詐欺的準確度，同時藉由提升識別精確度，改善合法使用者的體驗。
Qualcomm 讓 TensorFlow 和 TensorFlow Lite 模型在 Snapdragon 行動裝置平台，以及為 IoT、運算、XR 和汽車業而設計的各種晶片組組合上，達到效能最佳化且執行更快速。
使用 TensorFlow 在視網膜的 OCT 影像上進行疾病分類和區隔。三種疾病類型分別是脈絡膜新生血管生成、玻璃體疣和黃斑部水腫。進行區隔後，Sinovation Ventures 在影像上提供了可能的病灶範圍。
Swisscom 利用 TensorFlow 得以大幅自訂機器學習模型的功能，將文字分類，並在接到客戶來電時用以判斷對方意圖。
Processor SDK 可以最佳化 TensorFlow Lite 模型，將一般運算 Arm® 核心的 CNN/DNN 推論工作轉移到專門為此設計的硬體加速器，以強化機器視覺、機器人工學、汽車 ADAS 和許多其他應用中的機器學習能力。
VSCO 使用了 TensorFlow Lite 來開發「For This Photo」功能。這項功能使用了裝置端的機器學習，來辨識使用者正在編輯的是哪一類的相片，然後從收錄的清單中建議相關的預設設定。
