Nul
Vandaag is de bekroning van twee jaar van ontwikkeling voor sommige software zorg je ervoor dat je machine het leren een stuk makkelijker te programmeren, waardoor het helpen om te democratiseren AI.
Dat is de hoop van Jeremy Howard, een mede-oprichter van het in San Francisco gevestigde Snel.ai, een startup outfit dat is vandaag het vrijgeven van versie 1.0 van “fastai,” een set van code bibliotheken ontworpen om radicaal vereenvoudigen van het schrijven van machine learning taken.
Gebouwd op de top van Facebook ‘ s Pytorch bibliotheek, die heeft ook zijn eigen versie 1.0 release vandaag, fastai kunt u taken uitvoeren zoals het uitvoeren van een convolutional neurale netwerk voor het imago van de erkenning op de ImageNet benchmark tests met slechts enkele regels code. (ZDNet ‘s Steven J. Vaughan-Nichols heeft meer op Facebook’ s open-sourcing PyTorch.)
De instrumenten komen uit een serie van populaire cursussen op machine learning uitvoeren door Snel.ai, die Howard opgericht, drie jaar geleden met zijn vrouw, Rachel Thomas. Beide personen hadden een overkoepelende doel van het maken van AI veel meer toegankelijk is. “We beiden geloven in de kracht van diep leren,” Howard vertelde ZDNet, “maar we waren allebei bang van de mate waarin de huidige homogene groep van jonge blanke mannen het grootste deel van de tech, en dus besloten we iets aan doen.”
Ook op: Facebook open bronnen PyTorch 1.0 AI kader
“Wat ik hoop is dat er veel mensen zullen zich realiseren dat de state-of-the-art resultaten van diep leren is iets wat ze kunnen bereiken, zelfs als ze niet een Stanford University diep leren PhD.”
Vanaf het begin, Howard en Thomas zag een software component voor hun machine learning cursussen. In feite, “onze interne doel was te komen tot een punt waar we niet nodig een cursus meer,” zegt hij, grapje dat “het feit dat we een cursus betekent dus ver hebben we gefaald.” In werkelijkheid, Snel.ai in de curricula en het werken met studenten waren “een manier om te zien wat we moesten doen” om het hele proces van het programmeren van machine learning veel eenvoudiger.
De fastai bibliotheek is ontwikkeld in stukjes en stukken van de afgelopen twee jaar, meestal door Howard zichzelf, maar met wat hulp van studenten in de opleidingen, in het bijzonder een franse leraar wiskunde die wel een residentie met Howard, Sylvain Gugger.
Vandaag de release is de eerste keer dat alle onderdelen komen samen in een gepolijste, geïntegreerd geheel.
Howard gingen aan de slag met de Keras bibliotheek van neurale netto functies, eerst op de top van de Python-bibliotheek genoemd Theano, en dan op de top van Google ‘ s grote schaal gebruikt TensorFlow.
Uiteindelijk, “We vinden Keras was niet flexibel genoeg” voor Fastai doeleinden, aldus Howard. Pytorch, daarentegen, was veel meer zeggingskracht in het toestaan van hem om het implementeren van nieuwe ML algoritmen. “De Keras klasse API weet niet veel dingen die je moet gebruiken, je moet het vertellen van een veel meer”, legt hij uit, “wat betekent dat je een sterk genoeg practitioner” van machine learning.
Ook: Top 5: Dingen om te weten over AI TechRepublic
In tegenstelling, “Pytorch heeft een zeer, zeer mooie klasse-bibliotheek, en de manier dat u kunt werken met gegevens is echt gaaf, het is eenvoudig en flexibel.”
Pytorch functies die bijzonder waardevol zijn dingen zoals de “DataLoader” klasse, die legt de dataset van, zeg, een afbeelding van de erkenning taak op de GPU (graphics processing unit) voor u.
Maar, “PyTorch ontbrak Keras gemak-van-gebruiken,” merkt hij op. “Dus hebben we besloten om te beginnen met het ontwikkelen van onze eigen software om te doen voor PyTorch wat Keras deed voor TensorFlow; maar in plaats van alleen het maken van een versie van Keras, hebben we iets nieuws.”
De magie van fastai is duidelijk zichtbaar in de elegantie en eenvoud van fastai ‘ s syntaxis, die zweep verschillende stadia van de activiteit voor een gehele ML taak.
Hier, bijvoorbeeld, is fastai code voor het bellen naar een convolutional neurale netwerk, of CNN, voor het imago van de erkenning, in dit geval de populaire MNIST handschriftherkenning test:
gegevens = get_mnist()
leren = ConvLearner(data, tvm.resnet18, metrics=nauwkeurigheid)
leren.fit(1)
Dat is allen daar is het ook. Onder de motorkap, de fastai “Leerling” klasse is het bellen van een nummer van Pytorch middelen om het werk.
Google Google Cloud was de eerste om aan te kondigen ondersteuning voor fastai. Er is een interessant artikel over het gebruik van fastai en PyTorch op Google Cloud door ML onderzoeker Viacheslav Kovalevskyi, over op Medium.
Amazon Amazon Web Services heeft aangekondigd ondersteuning, en zal beschikbaar te maken in de “AWS Diep Leren AMIs” en de “Amazon SageMaker.” Microsoft heeft vandaag ook aangekondigd ondersteuning in de Azure cloud service. Microsoft ‘ s chief technology officer voor AI, Joseph Sirosh, zei in bereid opmerkingen die door Microsoft is “blij om te zien dat Snel.AI helpen democratiseren diep leren in de schaal en gebruik te maken van de kracht van de cloud.”
Een andere manier Howard hoopt dat de code zal democratiseren machine te leren is door het te gebruiken in een aparte, opstarten onderneming genaamd Platform.ai, dat is hij Chief Scientist. Een domein expert, zoals een medisch onderzoeker, kunt uploaden cel van beelden of van andere gegevens op het Platform.ai, ze te benoemen, en spuwde een diepe leren-model. De bedoeling is om te bouwen, eenvoudig te gebruiken grafische user interfaces voor domein-specifieke probleem oplossen zonder dat het nodig is om een expert in AI of cloud computing – een partij als de ideeën van de AI in de geneeskunde, die zijn verspreid voor tientallen jaren, maar met weinig opbrengst tot nu toe.
(Tijdens Het Snel.ai is geregistreerd als een Delaware Corporation, in tegenstelling tot het Platform.ai, het maken van geld is niet de bedoeling, maar het verstrekken van open-source tools aan, waardoor deze commerciële ondernemingen.)
Ook: Google Hersenen, Microsoft peilen de mysteries van netwerken met AI
Howard heeft uitgeoefend dergelijke democratische idealen rond machine-leren in andere instellingen. Hij was een van de oprichters van Enlitic, de San Francisco opstarten die gebruik maakt van diep leren voor dingen zoals het herkennen van tumoren in medische beelden.
Howard zelf heeft een interessante achtergrond. Hij kreeg een optreden als strategie consultant bij McKinsey & Co. rechtstreeks van de middelbare school, afstuderen snel uit de rol van de help-desk support. Hij ging toen op om een B. A. aan de Universiteit van Melbourne in de filosofie, maar hield consulting op het gebied van computer wetenschappen en machine learning.
Howard heeft veel perspectief op zowel het verleden en de toekomst van machine learning. Lang voor de recente renaissance in de diepe leren, met de inspanningen van Yoshua Bengio in Montreal MILA en Geoffrey Hinton ‘ s van Google DeepMind, de technologie voor multi-layer, hiërarchische neurale netwerken bestonden in de jaren 1990. Hij citeert de “LetNet5″ netwerk gebouwd door Facebook ‘s Yan LeCun toen hij was een academische en meerdere ‘lange-korte-termijn geheugen” modellen.
“We hadden voorbeelden van [netwerken] meerdere verborgen lagen, tien tot vijftien jaar hun tijd ver vooruit, maar velen van ons niet opvallen.”
Als voor de weg vooruit, Howard is zich bewust van de recente golf van kritiek van diep leren door de wil van Gary Marcus, de NYU cognitieve wetenschapper en ondernemer, die heeft geschreven lange artikelen die beschrijven hoe diep leren valt van de Heilige Graal van de “kunstmatige algemene intelligentie,” en blijft tweet regelmatig over zulke tekortkomingen.
Marcus, zegt Howard, impliceert diep leren de hulpverleners zijn zich niet bewust van zijn beperkingen, maar dat zij eigenlijk op de hoogte zijn. “Nou, ja, het heeft dingen, het is niet perfect aan,” hij geeft toe, en “deep learning kan niet alles doen, maar het is een heel nuttig instrument, en het kan mensen helpen hun werk beter in een heleboel manieren.”
Howard is van een praktische gebogen: “Misschien is het niet leidt ons tot gegeneraliseerde AI, maar who cares. Ik ben niet proberen om een brein te bouwen, dat is niet iets wat ik ben geïnteresseerd.”
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante artikelen:
Er is geen rol voor de AI of data science: dit is een team inspanning Opstarten Verwanten brengt glimp van hoop voor AI AI-robotica: Het uitzicht vanuit de Chief Data Science Office Salesforce intro ‘ s van Einstein Stem, een AI-voice assistant voor ondernemingen is Het niet de banen AI is het vernietigen van dat stoort me, het is die groeiende Hoe Facebook schalen AI
Verwante Onderwerpen:
Ontwikkelaar
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0