Most, hogy tudjuk, hogy a terminátorok nem jönnek elkapni minket, itt az ideje, hogy megbarátkozzunk a mesterséges intelligenciával, és hasznot húzzunk belőle!
A mesterséges intelligencia területét és leghíresebb résztudományát, a gépi tanulást sokáig titokzatos aura vette körül. A propagandasajtó gépezete cikkről cikkre pumpálta a szuperintelligens, szuperfüggetlen és szupergonosz gépezetek felemelkedését, sokakat kétségbeesve (én is).
És mit mutathatunk ma a sok zaj és füst mellett? Egy mesterséges intelligencia technológia, amely távolról sem tökéletes, kínos hibákatés egy korlátozott, hibásan működő robotot, amelyet szinte erőszakkal a polgár. A fenébe, még egy megfelelő nyelvi fordítási algoritmusunk sincs.
Ha ma még valaki kitart amellett, hogy közeleg a végítélet, a reakcióm a következő:
Tehát mi az AI, ML és ezek a hívószavak, ha nem az emberiség vége?
Nos, ezek a számítógépek programozásának új módjai az osztályozással és előrejelzéssel kapcsolatos problémák megoldására. És képzeld el, végre sok mesterséges intelligencia szolgáltatásunk van, amelyeket azonnal elkezdhet használni üzleti alkalmazásaiban, és óriási előnyökhöz juthat.
Mit tehetnek az AI-platformok a mai vállalkozások számára?
Jó kérdés!
A mesterséges intelligencia alkalmazása annyira általános (legalábbis elméletben), hogy lehetetlen lenne megmondani, milyen célból fejlesztették ki. Ez olyan, mintha azt kérdeznénk, mire fejlesztették ki a táblázatot, és mit lehet vele kezdeni. Persze számvitelre fejlesztették ki, de ma már messze meghaladja ezt a felelősséget. És nem a számvitel az egyetlen funkció – az emberek projektmenedzsment eszközként, teendőlistaként, adatbázisként és mi másként is használják.
Ugyanez vonatkozik az AI-re is.
Nagyjából elmondható, hogy az AI olyan feladatoknál hasznos, amelyek lazán meghatározottak és a tapasztalatból való tanuláson alapulnak. Igen, az emberek is ezt teszik, de a mesterséges intelligencia előnye, hogy pillanatok alatt rengeteg adatot tud feldolgozni, és sokkal-sokkal gyorsabban levonja a következtetéseket. Mint ilyen, az AI néhány tipikus alkalmazása a következő:
- Arcok észlelése fényképen, videón stb
- Képek osztályozása és címkézése, például szülői tanácsadás céljából
- Beszéd-szöveg átalakítás
- Tárgyérzékelés a médiában (pl. autó, nő stb.)
- A részvényárak mozgásának előrejelzése
- Terrorizmusfinanszírozás felderítése (napi több millió tranzakció között)
- Ajánlórendszerek (vásárlás, zene, barátok stb.)
- Captcha törés
- Spam szűrés
- Hálózati behatolás észlelése
Sorolhatnám a sort, és valószínűleg kifogytak az oldalak (képletesen szólva), de azt hiszem, most már érted. Ezek mind példák olyan problémákra, amelyeket az emberek a hagyományos számítástechnikai eszközökkel igyekeztek megoldani. És mégis, ezek fontosak, mivel óriási szükség van rájuk az üzleti életben és a való világban.
Tehát minden további nélkül kezdjük a legnépszerűbb AI-platformjaink listájával, és nézzük meg, mit kínálnak.
Tartalomjegyzék
Amazon AI szolgáltatások
Ahogy az Amazon gyorsan kiszorítja a cégeket, úgy az AWS is annyira domináns platform, hogy szinte semmi más nem jut eszünkbe. Ugyanez vonatkozik Amazon AI szolgáltatásokamely tele van hihetetlenül hasznos AI-szolgáltatásokkal.
Íme néhány elképesztő szolgáltatás, amelyet az AWS kínál.
Amazon Comprehend: Segít megérteni a rengeteg szöveges, strukturálatlan adatot. Az egyik felhasználási eset a meglévő ügyfélszolgálati csevegések bányászata, és annak megállapítása, hogy az idő múlásával milyen elégedettségi szintek voltak, melyek az ügyfelek fő aggályai, milyen kulcsszavakat használnak a legtöbbször stb.
Amazon Forecast: Zero-setup szolgáltatás a meglévő idősor-adatok használatához és pontos előrejelzésekké alakításához a jövőre vonatkozóan. Ha kíváncsi arra, hogy mi az idősoros adat, vessen egy pillantást erre a nemrégiben írt cikkemre (keresse a Timescale nevű adatbázist a cikk végén).
Amazon Lex: Építsen be párbeszédes felületeket (szöveges és/vagy vizuális) alkalmazásaiba. A színfalak mögött az Amazon által betanított gépi tanulási modellek futnak, amelyek dekódolják a szándékot, és menet közben beszédet szöveggé alakítanak.
Amazon Personalize: Egyszerű és infrastruktúra nélküli szolgáltatás ajánlások készítéséhez ügyfelei vagy saját maga számára! E-kereskedelmi adatokat vagy szinte bármit megadhat ehhez a szolgáltatáshoz, és élvezheti a rendkívül pontos és érdekes javaslatokat. Természetesen minél nagyobb az adathalmaz, annál jobbak lesznek az ajánlások.
Az Amazonnak sokkal több mesterségesintelligencia-szolgáltatása van, és jóformán az egész napot böngészéssel töltheti. Ennek ellenére ez egy olyan tevékenység, amelyet szívből ajánlok! 🙂
Megjegyzés: Nehéz megtalálni ezeknek a szolgáltatásoknak az összefoglalóját az AWS-dokumentumokban, de ha felkeresi a https://aws.amazon.com/machine-learning oldalt, ezek az „AI-szolgáltatások” alatti legördülő menüben találhatók.
TensorFlow
TensorFlow egy könyvtár (és egyben platform is), amelyet a mögötte álló csapat hozott létre Google Brain. Ez a Deep Learning Neural Networks nevű ML aldomain megvalósítása; vagyis a TensorFlow a Google álláspontja arról, hogyan lehet gépi tanulást elérni neurális hálókkal a mély tanulás technikájával.
Ez azt jelenti, hogy a TensorFlow természetesen nem az egyetlen módja a neurális hálózatok használatának – rengeteg könyvtár létezik, mindegyiknek megvannak a maga előnyei és hátrányai.
Általánosságban elmondható, hogy a TensorFlow lehetővé teszi a gépi tanulási képességek készletét számos különböző programozási környezethez. Ennek ellenére az alapplatform meglehetősen vizuális, és leginkább grafikonokra és adatvizualizációkra támaszkodik a munka elvégzéséhez. Így még akkor is, ha Ön nem programozó, némi erőfeszítéssel jó eredményeket érhet el a TensorFlow-ból.
Történelmileg a TensorFlow célja a gépi tanulás „demokratizálása” volt. Tudomásom szerint ez volt az első platform, amely ilyen mértékben egyszerűvé, vizuálisan és elérhetővé tette az ML-t. Ennek eredményeként az ML használat robbanásszerűen megnőtt, és az emberek könnyen képezhettek modelleket.
A TensorFlow legjelentősebb értékesítési pontja az Keras, amely egy könyvtár a neurális hálózatokkal való hatékony, programozott munkavégzéshez. Íme, milyen egyszerű egy egyszerű, teljesen összekapcsolt hálózat (perceptron) létrehozása:
model = tf.keras.Sequential() # Adds a densely-connected layer with 64 units to the model: model.add(layers.Dense(64, activation='relu')) # Add another: model.add(layers.Dense(64, activation='relu')) # Add a softmax layer with 10 output units: model.add(layers.Dense(10, activation='softmax'))
Természetesen konfigurációt, képzést stb. is el kell végezni, de ezek is ugyanolyan egyszerűek.
Nehéz hibát találni a TensorFlow-ban, tekintve, hogy az ML-t a JavaScriptbe, a mobileszközökbe és még az IoT-megoldásokba is behozta. A puristák szemében azonban ez egy „kisebb” platform marad, amelyen minden Tom, Dick és Harry kiakadhat. Szóval, állj készen arra, hogy szembenézz némi ellenállással, miközben feljebb lépsz a képességek ranglétráján, és több „megvilágosodott” lélekkel találkozol. 🙂
Ha kezdő vagy, akkor nézd meg ezt TensorFlow bevezető online tanfolyam.
Megjegyzés: A TensorFlow néhány kritikája megemlíti, hogy nem tudja használni a GPU-kat, ami már nem igaz. Ma a TensorFlow nemcsak GPU-val működik, hanem a Google kifejlesztette egyetlen speciális hardverét, a TPU-t (TensorFlow Processing Unit), amely felhőként is elérhető. szolgáltatás.
Google AI-szolgáltatások
Csakúgy, mint az Amazon szolgáltatásai, a Google is rendelkezik felhőcsomaggal szolgáltatások az AI körül forog. Tartózkodok az összes szolgáltatás felsorolásától, mivel nagyon hasonlítanak az Amazon kínálatára. Íme egy képernyőkép arról, hogy mit készíthetnek a fejlesztők, ha érdeklik őket:
Általánosságban elmondható, hogy a Google mesterséges intelligencia szolgáltatásait kétféleképpen használhatja. Az első az, hogy használjon egy, a Google által már kiképzett modellt, és kezdje el alkalmazni azt termékeiben. A második az ún AutoML szolgáltatás, amely automatizálja a Machine Learning több közbenső szakaszát, segítve például a teljes stack-fejlesztőket, akik kevesebb ML-szakértéssel rendelkeznek a modellek egyszerű felépítésében és betanításában.
H2O
A „2” a H2O-ban állítólag egy alsó index (hasonlít a víz kémiai képletére, gondolom), de zavaró kiírni. Remélem az emberek mögött H2O nem bánja annyira!
A H2O egy nyílt forráskódú platform a gépi tanuláshoz, amelyet a Fortune 500-ban szereplő nagy nevek használnak.
A fő ötlet az, hogy az élvonalbeli AI-kutatás a nagyközönséghez jusson el, ahelyett, hogy a nagy zsebekkel és tőkeáttétellel rendelkező vállalatok kezében maradjon. A H2O platform alatt számos terméket kínálnak, mint például:
- H2O: A gépi tanulás felfedezésének és használatának alapplatformja.
- Pezsgővíz: Hivatalos integráció a Apache Spark nagy adathalmazokhoz.
- H2O4GPU: A H2O platform GPU-gyorsított változata.
A H2O cégre szabott megoldásokat is készít, amelyek a következők:
- Driverless AI: Nem, a Driverless AI-nak semmi köze az önvezető autókhoz! 🙂 Inkább a Google AutoML-kínálatának a vonalain van – az AI/ML szakaszok többsége automatizált, ami egyszerűbb és gyorsabb fejlesztésű eszközöket eredményez.
- Fizetett támogatás: Vállalatiként alig várja, hogy felvegye a GitHub-problémákat, és remélje, hogy hamarosan választ kapnak rájuk. Ha az idő pénz, a H2O fizetett támogatást és tanácsadást kínál nagyvállalatok számára.
Petuum
Petuum fejleszti a Szimfónia platform, amelyet úgy terveztek, hogy ne kényszerítsek arra, hogy AI működjön. Más szóval, ha eleged van a kódolásból és/vagy nem akarsz több könyvtárat és kimeneti formátumot memorizálni, a Symphony olyan lesz, mint egy nyaralás az Alpokban!
Noha a Symphony platformon nincs semmi „nyitott”, érdemes a nyáladzásba belemenni a szolgáltatásokba:
- Fogd és vidd felhasználói felület
- Egyszerűen építhet interaktív adatfolyamokat
- Rengeteg szabványos és moduláris építőelem a kifinomultabb AI-alkalmazások létrehozásához
- Programozási és API interfészek, akik úgy érzik, a vizuális mód nem elég erős
- Automatizált optimalizálás GPU-kkal
- Elosztott, jól skálázható platform
- Több forrásból álló adatgyűjtés
Sokkal több olyan funkció van, amelyek valóban azt az érzést keltik, hogy a belépési korlát jelentősen csökkent. Nagyon ajánlott!
Polyaxon
A gépi tanulás és a mesterséges intelligencia területén ma a legnagyobb kihívás nem a jó könyvtárak és algoritmusok (vagy akár a tanulási erőforrások) megtalálása, hanem az a szakképzett mérnöki tudás, amelyet alkalmazni kell a hatalmas rendszerekkel és az ebből adódó nagy adatterhelésekkel szemben.
Még a tapasztalt szoftvermérnökök számára is túl nagy kérés lehet. Ha te is így érzed, Polyaxon érdemes megnézni.
A Polyaxon nem egy könyvtár vagy még csak nem is keretrendszer; hanem egy végponttól végpontig terjedő megoldás a gépi tanulás minden aspektusának kezelésére, mint például:
- Adatkapcsolatok és streaming
- Hardveres gyorsítás
- Konténerezés és hangszerelés
- Ütemezés, tárolás és biztonság
- Csővezetés, optimalizálás, nyomon követés stb.
- Irányítópult, API-k, vizualizációk stb.
Nagyjából könyvtár- és szolgáltató-agnosztikus, mivel számos népszerű (nyílt és zárt forráskódú) megoldás támogatott.
Természetesen egy bizonyos szinten még foglalkozni kell a telepítéssel és a méretezéssel. Ha még ettől is el akarsz kerülni, a Polyaxon olyan PaaS megoldást kínál, amely lehetővé teszi az infrastruktúra rugalmas használatát.
DataRobot
Egyszerűen fogalmazva, DataRobot egy fókuszált gépi tanulási megoldás a vállalat számára. Végig vizuális, és úgy tervezték, hogy gyorsan értelmezze adatait, és konkrét üzleti felhasználásra is felhasználhassa azokat.
A kezelőfelület intuitív és elegáns, lehetővé téve, hogy a nem szakértők is a volánok mögé üljenek, és értelmes betekintést nyerjenek.
A DataRobot nem rendelkezik szolgáltatásokkal; ehelyett az adatok hagyományos értelmezésére összpontosít, és sziklaszilárd képességeket biztosít a következőkben:
- Automatizált gépi tanulás
- Regresszió és osztályozás
- Idősorok
Leggyakrabban ezekre van szükséged a vállalkozásodhoz. Vagyis a legtöbb esetben csak a DataRobotra van szüksége. 🙂
NeuralDesigner
Miközben a könnyen használható, nagy teljesítményű AI-platformokról beszélünk, NeuralDesigner külön említést érdemel.
A NeuralDesignerről nincs sok mondanivaló, de sok a tennivaló! Tekintettel arra, hogy a neurális hálózatok többé-kevésbé uralják a modern gépi tanulási módszertant, ésszerű olyan platformmal dolgozni, amely kizárólag a neurális hálózatokra összpontosít. Nincs sok választási lehetőség, nincs zavaró tényező – a minőség a mennyiség helyett.
A NeuralDesigner több szempontból is kiváló:
- Nincs szükség programozásra. Egyáltalán.
- Nincs szükség bonyolult interfész-építésre. Minden ésszerű, könnyen érthető, rendezett lépésekben van lefektetve.
- A neurális hálózatokra jellemző legfejlettebb és legkifinomultabb algoritmusok gyűjteménye.
- CPU párhuzamosítás és GPU-gyorsítás a nagy teljesítmény érdekében.
Érdemes a néz? Egyértelműen!
Prevision.io
Pervision.io egy platform a Machine Learning minden aspektusának kezelésére, az adatok feldolgozásától a nagyszabású telepítésig.
PredictionIO
Ha Ön fejlesztő, PredictionIO Ez egy hihetetlenül hasznos ajánlat, amelyet érdemes megvizsgálni. Lényegében a PredictionIO egy olyan gépi tanulási platform, amely képes adatokat feldolgozni az alkalmazásból (web, mobil vagy egyéb), és gyorsan előrejelzéseket készíteni.
A név ne tévesszen meg – a PredictionIO nem csak az előrejelzésekre szolgál, hanem a gépi tanulás teljes spektrumát támogatja. Íme néhány jó ok, amiért szeretni kell:
- Osztályozás, regresszió, ajánlások, NLP és egyéb szolgáltatások támogatása.
- Komoly munkaterhelések kezelésére tervezhető Big Data környezetben.
- Több előre beépített sablonokat a sietőknek.
- A csomagban megtalálható az Apache Spark, az MLlib, a HBase, az Akka HTTP és az Elasticsearch, amelyek minden lehetséges igényt kielégítenek egy robusztus, modern alkalmazás iránt.
- Kombinált adatfeldolgozás több forrásból, akár kötegelt, akár valós idejű módban.
- Tipikus webszolgáltatásként telepítve – könnyen fogyasztható és táplálható.
A legtöbb webprojekt esetében nem értem, hogy a PredictionIO-nak nincs sok értelme. Gyerünk és próbáld ki!
Következtetés
Manapság nincs hiány AI és ML keretrendszerből vagy platformból; Amikor elkezdtem kutakodni ehhez a cikkhez, túlzott a választék. Ennek eredményeként megpróbáltam leszűkíteni ezt a listát az egyedi vagy érdekességekre. Ha úgy gondolja, hogy kihagytam valami fontosat, kérem, jelezze.
Coursera van néhány nagyszerű gépi tanulási tanfolyam, ezért nézze meg, ha érdekel a tanulás.
Szóval melyik platform a legjobb? Sajnos nincs egyértelmű válasz. Az egyik oka annak, hogy ezeknek a szolgáltatásoknak a többsége egy adott technológiai köteghez vagy ökoszisztémához kötődik (leginkább az úgynevezett fallal körülvett kert építéséhez). A másik, fontosabb ok az, hogy mára az AI és az ML technológiák árucikkekké váltak, és folyik a verseny, hogy minél több funkciót biztosítsanak a lehető legalacsonyabb áron. Egyetlen eladó sem engedheti meg magának, hogy ne kínálja azt, amit a többiek kínálnak, és minden új ajánlatot a versenytársak szinte egyik napról a másikra lemásolnak és kiszolgálnak.
Mint ilyen, minden azon múlik, hogy milyen verem és milyen célok vannak, mennyire tartja intuitívnak a szolgáltatást, hogyan vélekedik a mögötte álló vállalatokról stb.
De bármi legyen is a helyzet, magától értetődik, hogy az AI végre elérhető szolgáltatásként, és rendkívül bölcs dolog nem lenne kihasználni. 🙂