DEUTSCH

Automatisierung Automatisierung: ein framework für die Entwicklung und Vermarktung von deep-learning-Modelle

218

Deep learning (DL), machine learning (ML) – und artificial intelligence (AI) werden immer eine Menge Traktion und das aus gutem Grund, wie wir erforscht. Laut jüngsten Umfragen, scheint es, dass jetzt die meisten Entwickler und Führungskräfte haben erkannt, die Bedeutung der AI und sind mindestens Experimentieren.

Ein problem gibt es allerdings: die KI ist schwer. AI sitzt am anderen Ende des Spektrums der data-driven analytics-Anwendungen. Also, wenn Daten naturwissenschaftlichen Fähigkeiten sind so schwer zu bekommen, die KI, die Fähigkeiten sind sogar noch schwerer. DimensionalMechanics soeben angekündigt, sein Konzept zur Schließung der AI (“skills gap”, rief NeoPulse AI Studio (NAIS). NAIS ist Teil NeoPulse Framework (NPF), welche kombiniert eine Reihe von interessanten Ansätzen und zeigen den Weg für andere zu Folgen.

Die Klassifizierung der Modelle

Lassen Sie uns Bild dieses einfache Szenario: da, wie wir alle wissen, das internet ist im Grunde über Katzen, jede Organisation an einem gewissen Punkt möchten eine Anwendung entwickeln, die das Scannen durch die Bilder und herauszufinden, welche enthalten, die Katzen für die zukünftige Verwendung. Das ist eigentlich eine entry-level-Klassifizierung Aufgabe, etwas, das DL zeichnet sich bei.

Entry-level-es kann sein, aber einfach ist es nicht: Sie haben, um ein DL-framework zu verwenden,zu verstehen, seine innere Funktionsweise und API, zu finden oder zu entwickeln, ein Modell, das fit ist für die Aufgabe, trainieren Sie es durch die Einspeisung von sample-Daten und integrieren Sie es in Ihre bestehenden Stapel und installieren Sie es. Aber dann, da irgendwann jeder in der Lage wäre, dies zu tun, einen Schritt Voraus zu bleiben müsstest du auch die Einordnung Bilder von Hunden. Wie würde NPF dir da helfen?

Zuerst, indem Sie die Suche nach einem Modell, das für Sie in NeoPulse AI Speichern. Ja, das klingt Analog zu einem app-store, außer Sie werden in der Lage, shop für DL-Modelle anstelle von apps. Ein AI-Modell-Marktplatz klingt gut, aber um jedem Marktplatz Arbeit eine Menge Dinge, die müssen Sie auf.

Rajeev Dutt, DimensionalMechanics CEO und Gründer, sagt, dass das Geschäft zunächst nur die host-Modelle gebaut mit NAIS, um zu Steuern, Ihre interne Struktur und haben ein standard-Weg, um Sie zu vertreten. Der store wird installiert mit Modellen DimensionalMechanics und Tarife berechnet werden, basierend auf Modell-Besonderheiten – Größe, Rechenleistung erforderlich etc. Das Ziel ist es, dem Markt erschwinglich und bieten Entwicklern einen Weg, Geld zu verdienen, Ihre Modelle zu schnell.

Dutt sagt, dass, während DimensionalMechanics hat custom-models zu tun, Bild-Klassifizierung, deren Fokus auf maßgeschneiderte Modelle: “Out of the box, wir haben ein klassifikationsmodell zur Erkennung von Objekten in videos. Es kann auf zwei Arten verwendet werden: on-premise, in dem Fall würden wir-Lizenz, die aktuelle AI model oder in der cloud, in diesem Fall würden Sie nennen, eine cloud-API. Unser core-value-add in erstellen von custom-Modelle”.

Also, wenn Sie ein Modell finden, identifizieren können, dass beide Katzen und Hunde in den laden, alles funktioniert im Handumdrehen. Aber was, wenn Sie nicht? Sie haben zwei Optionen. , Wenn Sie ein Modell finden, dass etwas ähnliches macht, was Sie wollen, können Sie re-train. Also, wenn es ein Modell identifizieren können, dass Katzen, Sie können re-trainieren Sie ihn, um die Hunde zu. Zwei, wenn Sie nicht finden können, ein Modell, das nahe genug ist, was Sie tun möchten, müssen Sie entwickeln ein von Grund auf..

Fütterung Modelle mit Daten

Dutt sagt, dass “NAIS ermöglicht die Nutzung von vorhandenen Bild-Klassifizierung Modelle und “fine tune” Sie, so dass Sie nicht haben, um sich weiterzubilden, das Modell von Grund auf neu. Sie können eine generische Bild-classification-Modell und Schulen, es zu erkennen Hunde – vorausgesetzt, dass das ursprüngliche Modell wurde mit NAIS. Das einzige, was Sie brauchen, ist training Daten”.

Beide diese Annahmen sind tatsächlich ein großes Geschäft, aber wir bleiben Daten für jetzt. Wer liefert die Trainingsdaten und ist das training? Was, wenn ich keine Trainingsdaten, oder ist es nicht gekennzeichnet werden?

Die Bereitstellung der Trainingsdaten (und Kennzeichnung) müssen durch den Benutzer durchgeführt werden. Dutt sagt, dass NAIS verwendet Möglichkeiten zur Verringerung der Menge an Daten, die benötigt werden, um zu üben – zum Beispiel, wenn Sie die Feinabstimmung ein bestehendes Modell, Sie brauchen nicht annähernd so viele Bilder. Er fügt hinzu, dass NAIS nutzt die neuesten in ML Forschung zu verringern, Daten-Anforderungen, wodurch es möglich ist, verwenden Sie es sogar in einigen Fällen, in denen die Daten nicht gekennzeichnet werden:

“Zum Beispiel, wenn Sie ein Protokoll der TCP/IP-Daten haben, können Sie diese verwenden, als raw-Daten, die zum trainieren des Modells zu erkennen, “normales Verhalten”. Nachdem das Modell trainiert wurde, dann wird das Modell kann Ihnen sagen, wenn der Verkehr Signatur wird als normal angesehen oder etwas passiert ist. Nehmen Sie ein network intrusion event. Wenn der Benutzer hat keine Trainingsdaten auch immer, dann muss der Benutzer die Verwendung einer “off-the-shelf” – Modelle”.

Gleiche gilt für die feature-Auswahl: “Für viele Probleme, die das neuronale Netzwerk wird automatisch wählen Sie die Funktionen oder reduzieren, Abmessungen (ex. Bild-Klassifizierung, audio-Analyse, etc.). In einigen Fällen ist es jedoch notwendig für einen Menschen, um Schritt in. Für viele der Probleme, die NAIS ist entworfen, um zu lösen, die Funktionsauswahl erfolgt durch das neuronale Netz verwendet werden.”

Und was ist, wenn Sie Ihre Trainingsdaten nicht verlassen, Ihre Räumlichkeiten, entweder aufgrund von Richtlinieneinschränkungen, oder weil es einfach zu groß? Dutt sagt, es gibt die option, das Modell on-prem, aber welche Art von Umgebung, die erfordern, dass für die Ausführung im realistischen Zeitrahmen?

“In der Regel die Anforderung von Standardhardware – eine Maschine, mit der CUDA-8-kompatible Grafik-Karte läuft auf Linux-Ubuntu. Wir haben eine Reihe von hardware-angefangen von der Nvidia GeForce 1080er (~$550), um high-end K80s (~$3000). Die meisten unserer Entwickler-Zug auf niedrigeren spec hardware. Unsere K80s für die Ausbildung sehr große Modelle”.

Vermietung-Modelle in der wildnis

Was aber, wenn trotz all Ihrer Bemühungen haben Sie immer noch nicht gefunden oder Umschulung ein Modell, dass das tut, was Sie wollen? Dies ist, wo NAIS ins Spiel kommt – Sie müssen es verwenden, um erstellen Sie Ihr eigenes Modell. Und lernen Sie eine neue Sprache namens NML (NeoPulse Modeling Language) dabei. Aber kein Grund zur Sorge, sagt Dutt, der oracle ist es, Ihnen zu helfen:

“NAIS verwendet so genannte “oracle”, das ist eine KI, die weiß, wie zu konstruieren AI-Modelle. NML ist eine Sprache, die wir entwickelt haben, um Ingenieur KI Modelle. NML, stellt eine automatische Schlüsselwort, das weist den compiler an, konsultieren Sie die oracle -, um herauszufinden, eine angemessene Antwort auf eine bestimmte Frage. Für das Beispiel auto kann verwendet werden, um herauszufinden, die richtige DL-Architektur.

In diesem Fall wird das Orakel konsultiert, was ist die richtige Architektur zu verwenden, angesichts der Andeutungen von den Entwicklern bereitgestellt. Der Entwickler braucht nicht zu wissen, etwas über die Maschine lernen. Es ist so einfach wie x -> auto -> y, wo x der Eingang und y der Ausgang. Auto-zahlen, die richtige Architektur zu tun, die Zuordnung.

Die Sache mit dem oracle ist, dass es selbst lernt – im Laufe der Zeit und es wird besser auf seinen job. Es ist ein theorem, das besagt, dass DL-Netzwerke sind “universal approximators”. So in etwa, was dies bedeutet ist, dass, wenn Sie zwei Variablen, die sich in irgendeiner Weise, die Sie nicht verstehen, dann gibt es garantiert ein neuronales Netzwerk, in dem die Karte einen Variablen auf die andere. Als ein Ergebnis, durch die Fokussierung auf DL können wir lösen eine sehr große Menge von Problemen”.

NML wurde in-house entwickelt von DimensionalMechanics und ist “die einzige Sprache, die wir kennen, wurde für den DL. In 30 Zeilen code, die Sie tun können, was 600 code-Zeilen mit TensorFlow mit python.

Der Schlüssel zum NML ist, dass es automatisiert große Teile der KI-Modell-generation, was bedeutet, dass die Entwickler nicht haben, dies zu tun. NML Strukturen deep-learning-Erstellung mit einem eleganten “block” – Ansatz, bricht das problem in intuitive Blöcken, von denen jeder kann voll automatisiert”.

Ein oracle von Ihrer Seite und schneiden nach unten auf die Menge an code benötigt, klingt gut, aber da reden wir über etwas namens AI Studio, nachdem alle, ist die Frage auf jeden Entwicklers Geist wahrscheinlich ist, ob dies tatsächlich ein IDE -:

“Derzeit, AI studio selbst stellt eine REST-Schnittstelle ermöglicht die einfache integration mit einer integrierten Entwicklungsumgebung, aber wir konzentrieren uns nicht auf eine visuelle Benutzeroberfläche noch. Es ist im wesentlichen die Kommandozeile gesteuert. Wir betrachten integration mit Häufig verwendeten IDEs wie Atom oder Visual Studio in Naher Zukunft”, sagt Dutt.

Und Nein, der Verweis auf TensorFlow war kein Zufall. Dutt sagt, dass in der Zukunft DimensionalMechanics Mai öffnen die Tür zu anderen Bibliotheken oder den Benutzer entscheiden lassen, Ihre eigene Bibliothek, sondern für das, was NAIS verwendet unter der Haube.

In jedem Fall, nach einem Modell gebaut und ausgebildet, NAIS erstellt ein Paket mit einem dünnen wrapper bereitstellen des neuronalen Netzes. Um darauf zuzugreifen, benötigen Sie die NeoPulse Query-Laufzeit (NPQR). NPQR ermöglicht, Menschen zu befragen, die neuronalen Netzes über eine einfache REST-Schnittstelle, die automatisch generiert wird.

Dutt sagt, dass derzeit NPQR sitzt auf einem Linux-basierten Computer mit einer CUDA-8-kompatible Grafik-Karte, und es ist möglich, den Zugriff auf die NPQR über eine web-service-Aufruf von einem beliebigen Gerät (zB. Laptop, Handy etc).

Katzen und Hunde

Also, was ist zu machen? Je nachdem, wie man es betrachtet, man kann sagen, es ist der Weg in die Zukunft oder übermäßig ehrgeizig, und Sie hatte vermutlich Recht.

Auf der einen Seite die Automatisierung die Automatisierung kann über beeindruckend – es kann sehr praktisch sein und bieten enorme steigert die Produktivität. Andere, wie Viv, Alpine Daten oder BeyondCore haben bereits versucht es mit einigem Erfolg. Der Unterschied ist, dass DimensionalMechanics scheint target ein breiteres Publikum.

“Wo wir uns unterscheiden ist, dass wir eine KI einschalten NAIS, der weiß, wie zu bauen DL-Modelle und intelligenter wird, im Laufe der Zeit. Mit NAIS, wir sind nicht nur auf jeder vertikalen Branche – wir lösen Probleme auf der ganzen Linie – wir sind Grenzenlos in Bezug auf die ML Probleme, die wir adressieren können.

Eine andere springende Punkt ist, dass sich mit NAIS die Modelle, die von oracle erzeugt werden, in der Regel bei oder in der Nähe von “state-of-the-art” – so ein Entwickler ohne ML-Fähigkeiten können Modelle erstellen, die die Rivalen erstellt von ML-Experten”, sagt Dutt.

Dutt behauptet auch NML ist sehr einfach zu lernen, wie es ist entworfen, um intuitiv durch das Aufbrechen der code in Blöcke, die beschreiben, Ihre Verwendung: – Architektur, Quelle, Eingabe -, Ausgabe -, Zug-und ausgeführt: “Wir haben es so konzipiert, dass ein high-school-Schüler mit einer Codierung hintergrund kann code. Ein Entwickler mit dem keine AI-know-how kann leicht bauen mit NML. Ein business-user wahrscheinlich nicht in der Lage, es zu benutzen, es sei denn, er/Sie können Skripts schreiben”.

Klar, eine visuelle Entwicklungsumgebung helfen würde es, also warum sollte DimensionalMechanics verzichten all diese Anstrengungen in der Gebäude-Orakel und nicht tun, etwas über diese? Eine plausible Antwort könnte die Tatsache sein, dass in einem Raum, der bewegt sich in Sprüngen und Grenzen, es gibt nur so viel ein 11-Personen-startup tun können, um auf die Googles der Welt.

Das bringt einen weiteren interessanten Frage: was ist DimensionalMechanics versucht zu werden? Es ist das Gebäude auf der Spitze von Google TensorFlow, der führende DL-framework an dieser Stelle (mindshare zumindest). Man könnte also sagen, es versucht etwas zu sein, wie das, was eine Reihe von IDE-Anbieter für Android gewesen sein – ein Vermittler.

Aber es sieht auch wie DimensionalMechanics versucht zu schlagen, die Google den Punsch durch die Einleitung eines DL-Modell-Marktplatz, Gebäude auf dem Google-eigenen Bibliothek. Dies macht Sinn, und nicht DimensionalMechanics Gewicht haben diese Arbeit zu machen? Und wenn dies Ihr primäres Ziel, warum nicht gehen für einen nicht-Google-spezifische DL bridge-Bibliothek wie Keras?

Zur gleichen Zeit, DimensionalMechanics ist auch die Ankündigung einer Serie B-Finanzierungsrunde und die Partnerschaft mit GrayMeta, was Dutt sagt, beinhaltet die Bereitstellung von AI Dienstleistungen in vielen verschiedenen Formen und ist spannend, weil GrayMeta hat Zugriff auf eine reichhaltige und vielfältige Palette von globalen Medien-Kunden. DimensionalMechanics und GrayMeta sind bereits gemeinsam an einer Reihe von eigenen Projekten.

Es gibt sicher keinen Mangel an Ehrgeiz oder Aktivität gibt. Wie viele von diesen Forderungen sind in der Praxis bewährt und wie gut die Wetten auszahlen wird, bleibt abzuwarten, aber ob es DimensionalMechanics oder jemand anderes, lässt es geschehen, es ist die Gemeinschaft, profitieren.

Who really owns your Internet of Things data?

Wer wirklich besitzt Ihre Internet der Dinge, Daten?

In einer Welt, wo mehr und mehr Objekte kommen online und Hersteller engagieren sich in der supply chain, wie können Sie verfolgen, was Ihnen und was nicht?