這系列文章出自於一個無窮無盡的bug的解題時間，想不到如何解bug、又想不出要寫什麼主題，參考完大家的方向以後，我發現這類型的文章很少、又很實用，才下定決心透過鐵人賽推廣 Google AI & ML Products。

在這次的挑戰裡，給了自己三個目標：

1. 更熟悉docker
2. 開始玩Golang
3. 入門大部分的Google AI & ML Products
   但也因為Google AI & ML Products太多了，所以把它分了很多子系列進行，現在再來回顧一下這次的內容。

前面先來個提醒，如果過程中你們有Deploy model做Online predict的，如果測完一定要記得刪掉，不然你deploy的model就會一直被收費喔。

今天要來玩的是AI Hub裡面的Reusing a pipeline component，對Python超不熟的我弄了超久。

這邊會需要run起tensorflow的docker
docker pull tensorflow/tensorflow:latest-py3-jupyter
docker run -it --rm -v $(realpath ~/notebooks):/tf/notebooks -p 8888:8888 --name jupyter tensorflow/tensorflow:latest-py3-jupyter

話說照第一天的規劃，今天本來要寫Recommendation AI，不過我測了很久始終無法使用Recommendation AI、無法Enable它，所以只好就此作罷。

AI Hub

今天找其他的玩具來玩，翻到了AI Hub，Hub會讓人直接連想到集線器，AI Hub就是把很多AI、ML集中在一起的平台，你可以在上面使用大家的AI model，也可以分享自己的AI上去給大家用。

我今天會來介紹其中幾個內容：service、notebook、tensorflow module，入門一下AI Hub。

今天要來串接AutoML Table的API了，在串接之前一樣要先把Model deploy。

大家可以先拿昨天的資料在UI介面上online predict一下。

因為篇幅關係，昨天的Dialogflow沒有寫到最終章，就要先跳來AutoML Table了。

來點簡介再開始

AutoML Table是一種supervised learning，並透過表格資料訓練模型。用表格中的target欄位進行預測，還有一些用來學習的features特徵欄位。而在訓練之前我們該做的是：蒐集、準備資料、訓練、評估、測試、最後是預測。

當然還有更詳細的介紹都在這裡：https://cloud.google.com/automl-tables/docs/beginners-guide?authuser=1

每個系列的第二篇，就是踏入API的世界。今天要入門的是Dialogflow的API，不囉嗦先丟上文件。

忘了前置動作的可以參考第三天的文章。

今天要介紹新的服務：Dialogflow。這部分說明文件繞來繞去，最後導到新的網址：https://cloud.google.com/dialogflow/docs/how

這邊比較可惜是沒有簡易的測試可以玩，我們就先透過UI建立一個agent，建立一個簡單的Dialogflow流程體驗一下。

快來這邊體驗Dialogflow的UI吧：https://dialogflow.cloud.google.com/#/getStarted

建立Agent：https://dialogflow.cloud.google.com/#/newAgent

選擇中文並選擇project以後，按下建立就可以建立一個新的dialogflow。

因為這邊沒有AutoML的關係，所以今天是Speech-to-Text的最後一篇。

在doc文件裡的這篇是介紹如何使用Mic直接stream翻譯成文字，但我docker環境沒特別access host的mic，所以沒有測試這段。

中文Speech-to-Text

仔細測了一下，昨天的範例無法直接串接中文語音轉文字，原來是因為昨天使用的版本是v1，但中文相關的分析必須使用v1p1beta1，另一個原因是之前的檔案try.m4a一直測試都無法讀取，我把他轉為try.mp3以後，才可以順利解析。