微软How-Old.net官方中文版上线了 幕后黑科技揭秘

五一的时候，微软推出了一个颜龄识别机器人网站how-old.net，通过大数据和机器识别技术，判断照片中人物的年龄，没想到立即火爆全球，一时间社交网络上“攀比”成风。

昨天，how-old.net的官方中文版上线了，更方便国内用户使用。

规矩不变，上传你或者任何人的照片(大小不超过3mb)，颜龄机器人就会判断年龄。从这段时间的体验看，“正常人”的判断还是八九不离十的。

隐私什么的不用担心，微软不会保存你的照片。

pc用户访问：

手机用户扫码：

延伸阅读：玩转机器学习、流分析和powerbi - 实时观察病毒式传播

或许你觉得这只是微软的一个小玩具，但其实背后隐藏着很多高科技呢，重点有三个：机器学习、流分析、powerbi。

微软是如何通过这些技术判断照片里人物的年龄的呢？为了解答大家的疑惑，同时展示自己的最新成果，微软特意分享了一篇文章，揭开了颜龄机器人幕后的秘密。

这是一个挺有意思的故事。我们起初期望大约会有50人左右来试用，结果很快就有有超过3万5千人试用，我们看见整个事情由此迅速展开。

为了向开发者展示如何利用微软azure云服务轻松快速地开发智能应用，我们在azure上用新发布的人脸识别apis为2015年微软build开发者大会第二天的主题演讲搭建了http://how-old.net网站。本网站让用户上传照片，然后通过api预测照片中所有人物的性别和年龄。

目前，这些api的人脸定位功能及性别识别功能大致准确，然而年龄预测结果并不是非常准确，但常常能博得用户一笑，平添不少欢乐。

网站建成后，我们给数百名微软员工发了邮件，邀请他们体验这个网站并给出反馈。当时乐观地想要是有几十个人来这个网站、为测试提供有用的数据就算不错了。但三个小时后，我们的后台分析图表呈现出下图态势：

几个小时里，how-old.net收到了全球3万5千用户（其中大约2万9千人来自土耳其，下图显示，推特上有大量来自土耳其的用户提到了这个网页）上传的21万多张照片。

这个网页展示了用户使用的实时信息。比如，我们曾预测用户会用已经存在于网络的照片，或是使用页面上的必应图片搜索栏；然而网站分析的照片中，超过一半的是用户上传的自己的照片。这些信息帮助我们改善用户体验，还有助于我们额外测试手机上传照片。

那么这些是怎么实现的呢？

也许说起来难以置信，但两位工程师只花了几个小时便把整套解决方案（从网页到机器学习api到实时数据流分析再到实时bi）整合在一起。这很好地展示了azure开发者的敏捷和创造力。

这款应用的关键功能在于以下三点：

－ 识别图片中人物性别及年龄

－ 获取上述抽取的数据的实时信息

－ 生成实时分析图表来显示上述结果

识别性别及年龄

我们想创造一个智能又有趣的体验吸引全球用户，于是我们浏览了微软azure机器学习库里的一些api。这个网页里有个新套装project oxford ，由必应和微软研究院打造，内含大量面部、语言和视觉方面的服务。

我们用到的脸部识别api有个演示页，该页面可以检测到脸部并提取出相关信息。

我们觉得这个api的年龄及性别识别功能很有趣，所以选了这个方面作为我们的项目。为了让用户体验更加有意思，我们还加上了azure市场里的必应搜索api，最终建成了网站。

除了年龄和性别，我们还用上了其他标准浏览器提供的信息，比如伴随着每个标准http调用而来的用户代理字符串，以及照片上传地点的经纬度。

这些信息可用来计算很多网站使用的数据统计，比如通过iphone、windows或安卓登录的数量，或者how-old.net最受欢迎的地区。

这点体现在下列json文件中：

[ { "event_datetime": "2015-04-27t01:48:41.5852923z",

"user_id": "91539922310b4f468c3f76de08b15416", "session_id": "fbb8b522-6a2b-457b-bc86-62e286045452",

"submission_method": "search",

"face": { "age": 23.0, "gender": "female" },

"location_city": { "latitude": 47.6, "longitude": -122.3 },

"is_mobile_device": true, "browser_type": "safari", "platform": "ios", "mobile_device_model": "iphone"

} ]

实时见解

为了理解从本网站得到的实时数据的模式，我们使用了一套新的微软azure数据流服务。

我们用azure event hub导入数据，这些azure event hub是具有高伸缩性的发布-订阅吸收器，它可以摄入每秒几百万次事件。用户上传照片时，event hub api会从网页生成ason文件。

注意，在此过程中，我们不会保留照片及任何指向用户的信息（用户无需电邮，不用登录，也没有用户名）。只有json文件流向azure event hub。

然后，我们需要数据流服务来实时整合处理用户们上传的上万张照片。这里我们用到了高吞吐低延迟的全托管解决方案azure流分析（asa）。asa让用户能用类似于sql的语言，轻松处理数据流。

比如，只用输入下列命令，你就能从一个十秒窗口得出“性别”的计数，而且结果每秒都会更新。

select

system.timestamp as outtime,

face.gender as gender,

count(*) as count

from

streaminput

group by hoppingwindow(second,10,1),

face.gender

在上图的查询中，我们选取了显示结果的时间，性别和性别的计数。streaminput指流动记录数据流向的event hub。这个过程仅仅在一秒一跳的十秒窗口中完成。

这个查询提供了上传照片中男性和女性的总数。这些信息能被展示在一个分析图表里。你可对来自同一event hub的数据进行多种查询。

实时分析图表

我们用powerbi在一个实时分析图表中展示结果。我们只是选择了powerbi来呈现数据流分析结果，然后在http://www.powerbi.com选择asa创建的数据集和表格，无需进行其他代码方面的工作。

上图的两项数据流分析查询，一个是整合照片中提取的年龄再以powerbi中其他标准（比如区域）进行分类，另一个是上面提到的查询。powerbi能制作各种图表，你甚至可以直接用自然语言发布命令（比如“各性别各年龄ios用户的总数是多少？”）。结果也会显示在实时分析图表上。

大家可以在或者中文版本上自己试试。祝大家玩得开心，也期待更多人用azure服务和机器学习库中的api来创建自己的应用。