Тепер, коли ми знаємо, що Термінатори не прийдуть по нас, настав час подружитися зі штучним інтелектом і отримати від нього користь!
Довгий час сфера штучного інтелекту та його найвідоміша субдисципліна, машинне навчання, були оточені таємничою аурою. Пропагандистська преса викачувала статтю за статтею, передвіщаючи появу надрозумних, наднезалежних і надзлих машин, змушуючи багатьох впадати у відчай (включаючи мене).
І що ми маємо сьогодні показати, незважаючи на весь цей шум і дим? Технологія ШІ, яка далека від досконалості, викликає збентеження помилкиа також обмежений, несправний робот, якого майже силою перетворили на a громадянин. Чорт, у нас ще навіть немає гідного алгоритму перекладу мови.
Якщо сьогодні хтось все ще наполягає на тому, що судний день близько, ось моя реакція:
Тож що таке AI, ML та всі ці модні слова, якщо не кінець людства?
Що ж, це нові способи програмування комп’ютера для вирішення проблем, пов’язаних із класифікацією та прогнозуванням. І здогадайтесь, нарешті у нас є багато служб штучного інтелекту, які ви можете відразу почати використовувати у своїй бізнес-програмі та отримати величезні переваги.
Що платформи AI можуть зробити для бізнесу сьогодні?
Хороше питання!
Штучний інтелект настільки універсальний у своєму застосуванні (принаймні в теорії), що неможливо вказати мету, для якої він був розроблений. Це все одно, що запитати, для чого була розроблена електронна таблиця і що можна з нею робити. Звичайно, він був розроблений для бухгалтерського обліку, але сьогодні він значно перевищує цю відповідальність. І бухгалтерський облік — це не єдина функція — люди використовують його як інструмент управління проектами, як список завдань, як базу даних тощо.
Те саме стосується ШІ.
Грубо кажучи, штучний інтелект корисний для задач, які вільно визначені та покладаються на навчання з досвіду. Так, це те, що люди також роблять, але штучний інтелект має перевагу, оскільки він може миттєво обробляти гори даних і робити висновки набагато, набагато швидше. Таким чином, деякі з типових застосувань ШІ:
- Розпізнавання облич на фото, відео тощо
- Класифікація та позначення зображень, наприклад, для порад батьків
- Перетворення мовлення в текст
- Виявлення об’єктів у медіа (наприклад, автомобіль, жінка тощо)
- Прогноз руху цін на акції
- Виявлення фінансування тероризму (серед мільйонів транзакцій на день)
- Системи рекомендацій (покупки, музика, друзі тощо)
- Злом капчі
- Фільтрація спаму
- Виявлення мережевого вторгнення
Я міг би продовжувати продовжувати, і, мабуть, не вистачить сторінок (фігурально кажучи), але я думаю, що ви зараз зрозуміли. Усе це приклади проблем, які люди намагалися вирішити за допомогою традиційних засобів обчислення. І все ж це важливо, оскільки вони мають величезну потребу в бізнесі та реальному світі.
Отже, без зайвих слів, давайте почнемо зі списку наших найкращих платформ ШІ та подивимося, що вони можуть запропонувати.
Служби Amazon AI
Подібно до того, як Amazon швидко виводить компанії з бізнесу, AWS настільки домінує як платформа, що більше нічого не спадає на думку. Те саме стосується Служби Amazon AIяка переповнена неймовірно корисними службами ШІ.
Ось деякі з приголомшливих послуг, які пропонує AWS.
Amazon Comprehend: допомагає зрозуміти всю гору текстових, неструктурованих даних, які у вас є. Одним з варіантів використання є аналіз існуючих чатів служби підтримки клієнтів і з’ясування рівня задоволеності протягом певного часу, які основні проблеми клієнта, які ключові слова використовуються найчастіше тощо.
Amazon Forecast: сервіс без налаштувань для використання наявних даних часових рядів і перетворення їх у точні прогнози на майбутнє. Якщо вам цікаво, що таке дані часових рядів, перегляньте цю статтю, яку я нещодавно написав (знайдіть базу даних під назвою Timescale в кінці статті).
Amazon Lex: створюйте розмовні інтерфейси (текстові та/або візуальні) у своїх програмах. За лаштунками працюють навчені моделі машинного навчання Amazon, які декодують наміри та перетворюють мову в текст на льоту.
Amazon Personalize: простий і не потребує інфраструктури сервіс для створення рекомендацій для ваших клієнтів або для себе! Ви можете вводити дані електронної комерції або будь-що в цю службу та насолоджуватися дуже точними та цікавими пропозиціями. Звичайно, чим більший набір даних, тим кращими будуть рекомендації.
У Amazon є багато інших сервісів штучного інтелекту, і ви можете провести цілий день, переглядаючи їх. Тим не менш, це діяльність, яку я щиро рекомендую! 🙂
Примітка: у документах AWS важко знайти короткий перелік усіх цих служб разом, але якщо ви перейдете на сторінку https://aws.amazon.com/machine-learning, вони перелічені у спадному списку в розділі «Служби ШІ».
TensorFlow
TensorFlow – це бібліотека (а також платформа), створена командою, що стоїть за Google Brain. Це реалізація піддомену ML під назвою Deep Learning Neural Networks; тобто TensorFlow — це погляд Google на те, як досягти машинного навчання за допомогою нейронних мереж за допомогою техніки глибокого навчання.
Тепер це означає, що TensorFlow — не єдиний спосіб використання нейронних мереж — існує безліч бібліотек, кожна зі своїми плюсами та мінусами.
Загалом, TensorFlow надає вам стандартні можливості машинного навчання для багатьох різних середовищ програмування. Тим не менш, базова платформа є досить візуальною та покладається здебільшого на графіки та візуалізацію даних для виконання роботи. Таким чином, навіть якщо ви не програміст, можливо, доклавши певних зусиль, отримати хороші результати з TensorFlow.
Історично TensorFlow був спрямований на «демократизацію» машинного навчання. Наскільки мені відомо, це була перша платформа, яка зробила ML простим, наочним і доступним до такого рівня. У результаті використання ML вибухнуло, і люди змогли легко тренувати моделі.
Найважливішою перевагою TensorFlow є Керас, яка є бібліотекою для ефективної програмної роботи з нейронними мережами. Ось як просто створити просту, повністю пов’язану мережу (перцептрон):
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'))
Звичайно, також потрібно виконати налаштування, навчання тощо, але вони також однаково прості.
Важко причепитися до TensorFlow, враховуючи, що він привніс ML у JavaScript, мобільні пристрої та навіть рішення IoT. Однак, в очах пуристів, це залишається «меншою» платформою, з якою може возитися кожен Том, Дік і Гаррі. Отже, будьте готові зіткнутися з певним опором, просуваючись угору по сходах навичок і зустрічаючи більше «просвітлених» душ. 🙂
Якщо ви новачок, то перегляньте це Вступний онлайн-курс TensorFlow.
Також зауважте: у деяких критиках щодо TensorFlow згадується, що він не може використовувати графічні процесори, що вже не відповідає дійсності. Сьогодні TensorFlow не тільки працює з графічним процесором, але Google розробив єдине спеціалізоване обладнання під назвою TPU (TensorFlow Processing Unit), яке доступне як хмара обслуговування.
Сервіси Google AI
Як і сервіси Amazon, Google також має набір хмарних технологій послуги обертається навколо ШІ. Я не буду перераховувати всі сервіси, оскільки вони дуже схожі на пропозиції Amazon. Ось знімок екрана того, що розробники можуть створити, якщо їм це цікаво:
Загалом, можна використовувати служби штучного інтелекту Google двома способами. Перший — використовувати модель, уже навчену Google, і просто почати застосовувати її у своїх продуктах. Другий – т. зв AutoML сервіс, який автоматизує кілька проміжних етапів машинного навчання, допомагаючи, скажімо, розробникам повного стеку з меншим досвідом ML легко створювати та навчати моделі.
H2O
«2» у H2O має бути нижнім індексом (я думаю, що нагадує хімічну формулу води), але вводити його важко. Я сподіваюся, що люди позаду H2O не буде заперечувати так сильно!
H2O — це платформа з відкритим кодом для машинного навчання, яка використовується великими іменами, що входять до списку Fortune 500.
Основна ідея полягає в тому, щоб передові дослідження штучного інтелекту охопили широку громадськість, а не залишалися в руках компаній із глибокими кишенями та фінансовими важелями. На платформі H2O пропонується кілька продуктів, наприклад:
- H2O: базова платформа для вивчення та використання машинного навчання.
- Газована вода: офіційна інтеграція з Apache Spark для великих наборів даних.
- H2O4GPU: GPU-прискорена версія платформи H2O.
H2O також створює рішення спеціально для підприємства, зокрема:
- Штучний інтелект без водія: Ні, штучний інтелект без водія не має нічого спільного з безпілотними автомобілями! 🙂 Це більше схоже на пропозицію AutoML від Google — більшість етапів штучного інтелекту/ML автоматизовані, що дає змогу створювати інструменти, які простіше та швидше розробляти.
- Платна підтримка: як компанія, ви не можете чекати, коли ви порушите проблеми GitHub, і сподіваєтеся, що на них незабаром отримаєте відповідь. Якщо час – гроші, H2O пропонує платну підтримку та консультації для великих компаній.
петуум
Petuum розвиває Симфонія платформу, яка розроблена так, щоб штучний інтелект не змушував мене думати. Іншими словами, якщо ви втомилися від програмування та/або не хочете запам’ятовувати більше бібліотек і вихідних форматів, Symphony відчує себе як відпустка в Альпах!
Хоча в платформі Symphony немає нічого «відкритого», функції варті того, щоб на них звернути увагу:
- Інтерфейс користувача з можливістю перетягування
- Легко створюйте інтерактивні конвеєри даних
- Безліч стандартизованих і модульних будівельних блоків для створення складніших додатків ШІ
- Програмування та інтерфейси API, які відчувають візуальний шлях, недостатньо потужні
- Автоматична оптимізація за допомогою GPU
- Розподілена високомасштабована платформа
- Агрегація даних із кількох джерел
Є багато інших функцій, які справді змусять вас відчути, що бар’єр входу значно знижено. Настійно рекомендується!
Поліксон
Найбільша проблема сьогодні в машинному навчанні та штучному інтелекті полягає не в тому, щоб знайти хороші бібліотеки та алгоритми (або навіть навчальні ресурси), а в кваліфікованому розробці, який необхідно застосувати для роботи з системами-гігантами та високим навантаженням на дані, які виникають у результаті.
Навіть для досвідчених розробників програмного забезпечення це може бути надто великим запитом. Якщо ти теж так відчуваєш, Поліксон варто подивитися.
Polyaxon не є бібліотекою чи навіть фреймворком; скоріше, це комплексне рішення для керування всіма аспектами машинного навчання, такими як:
- Підключення до даних і потокове передавання
- Апаратне прискорення
- Контейнерізація та оркестровка
- Планування, зберігання та безпека
- Конвеєрна розробка, оптимізація, відстеження тощо.
- Панелі приладів, API, візуалізації тощо.
Це майже не залежить від бібліотеки та постачальника, оскільки підтримується велика кількість популярних рішень (з відкритим і закритим кодом).
Звичайно, вам все одно доведеться мати справу з розгортанням і масштабуванням на певному рівні. Якщо ви хочете уникнути навіть цього, Polyaxon пропонує рішення PaaS, яке дозволяє використовувати їх інфраструктуру еластично.
DataRobot
Простіше кажучи, DataRobot це цілеспрямоване рішення машинного навчання для підприємства. Він повністю наочний і створений для швидкого розуміння ваших даних і використання їх у конкретному бізнесі.
Інтерфейс інтуїтивно зрозумілий і витончений, що дозволяє нефахівцям сісти за кермо та отримати значущу інформацію.
DataRobot не має безлічі функцій; натомість він зосереджений на традиційному розумінні даних і забезпечує надійні можливості в:
- Автоматизоване машинне навчання
- Регресія та класифікація
- Часовий ряд
Найчастіше це все, що потрібно для вашого підприємства. Тобто в більшості випадків DataRobot — це все, що вам потрібно. 🙂
NeuralDesigner
Поки ми говоримо про прості у використанні та потужні платформи ШІ, NeuralDesigner заслуговує окремої згадки.
Про NeuralDesigner не так багато можна сказати, але є чим зайнятися! З огляду на те, що нейронні мережі більш-менш домінують у сучасній методології машинного навчання, має сенс працювати з платформою, яка зосереджена виключно на нейронних мережах. Немає багато вибору, немає відволікань — якість над кількістю.
NeuralDesigner перевершує багато в чому:
- Програмування не потрібно. Зовсім.
- Не потрібно створювати складний інтерфейс. Усе викладено розумними, легкими для розуміння та впорядкованими кроками.
- Колекція найдосконаліших і вдосконалених алгоритмів, специфічних для нейронних мереж.
- Розпаралелювання ЦП і прискорення GPU для високої продуктивності.
Варто а подивіться? Безумовно!
Prevision.io
Pervision.io це платформа для керування всіма аспектами машинного навчання, починаючи від обробки даних і закінчуючи масштабним розгортанням.
PredictionIO
Якщо ви розробник, PredictionIO це неймовірно корисна пропозиція, на яку варто звернути увагу. За своєю суттю PredictionIO — це платформа машинного навчання, яка може отримувати дані з вашого додатка (веб-, мобільного чи іншого) і швидко створювати прогнози.
Нехай вас не вводить в оману назва — PredictionIO призначений не лише для передбачень, він підтримує весь спектр машинного навчання. Ось кілька крутих причин полюбити це:
- Підтримка класифікації, регресії, рекомендацій, НЛП тощо.
- Створено для роботи із серйозними навантаженнями в умовах великих даних.
- Кілька готових шаблони для тих, хто поспішає.
- Поставляється в комплекті з Apache Spark, MLlib, HBase, Akka HTTP і Elasticsearch, що задовольняє всі можливі потреби надійної сучасної програми.
- Комбіноване надходження даних із кількох джерел у пакетному режимі чи режимі реального часу.
- Розгорнутий як типовий веб-сервіс — простий у споживанні та подачі.
Для більшості веб-проектів я не розумію, чому PredictionIO не має великого сенсу. Давай і спробуй!
Висновок
Сьогодні немає дефіциту в рамках або платформах штучного інтелекту та машинного навчання; Коли я почав шукати цю статтю, я був приголомшений вибором. У результаті я спробував звузити цей список до унікальних або цікавих. Якщо ви вважаєте, що я пропустив щось важливе, дайте мені знати.
Coursera отримав кілька чудових курсів машинного навчання, тому перевірте, якщо ви зацікавлені в навчанні.
Отже, яка платформа найкраща? На жаль, чіткої відповіді немає. Однією з причин є те, що більшість цих послуг прив’язані до певного технологічного стеку чи екосистеми (здебільшого створення так званого саду, обнесеного стіною). Інша, більш важлива причина полягає в тому, що на сьогоднішній день технології штучного інтелекту та машинного навчання стали товарними, і існує гонка за надання якомога більшої кількості функцій за якомога нижчою ціною. Жоден постачальник не може дозволити собі не пропонувати те, що пропонують інші, і будь-яка нова пропозиція копіюється та обслуговується конкурентами майже за одну ніч.
Таким чином, все зводиться до того, який у вас пакет і цілі, наскільки інтуїтивно зрозумілою є послуга, яке ваше сприйняття компаній, які за нею стоять, і так далі.
Але як би там не було, само собою зрозуміло, що ШІ нарешті доступний як послуга, і було б вкрай нерозумно не використовувати його. 🙂