Noll
Det händer inte ofta. Djupt lärande är den hetaste tekniken idag, med otaliga program och djupt investeringar från de vanliga misstänkta. Att ha något nytt släpps från någon som inte finns med bland de GAFAs av världen, och gör anspråk på att vara radikalt bättre på alla sätt, är säker på att höja några ögonbryn.
Det var vår reaktion också, när vi blev kontaktade av Bell Integrator om Neuton ett par månader tillbaka. Neuton är ett neuralt nätverk ram, som Bell Integrator hävdar att det är långt mer effektiv än någon annan ram och icke-neurala algoritm som finns på marknaden.
Också: Nvidia har som mål att köra neurala nät snabbare, mer effektivt
Förutom att vara snabbare, enligt släppt riktmärken, Bell Integrator säger Neuton är en Automatisk ML lösning med resulterande modellerna som är self-växande och lärande. Och för att topp det av, säger Bell Integrator, Neuton är så lätt att använda att ingen speciell AI bakgrund behövs.
Machine learning oktober fest
På den tiden, var det mycket lättare att förneka allt detta, så var det inte så mycket att visa, förutom några imponerande riktmärken och ett release-datum för November. Idag, lägga till maskininlärning oktober fest, och eventuellt utlöst av det, Neuton har officiellt släppt.
Under de senaste dagarna har vi sett en ny version av PyTorch, en av de ledande neurala nätverk ramar av Facebook, såväl som en ny post genom att snabbt.ai. Vi har också sett MLflow, en meta-ram av Databricks, att komma närmare version 1.0.
Nu, låt oss försöka sprida lite ljus på där Neuton kommer ifrån, hur fungerar det och vad det hela innebär. Låt oss börja med den leverantör som ligger bakom detta, som är ett eget globalt konsult-och it-tjänster leverantör som har funnits sedan 2003.
Bell Integrator har över 2 500 anställda i 10 platser och listor om namn såsom Ericsson, Cisco, Century Link, Juniper, Citibank, Deutsche Bank, Société Générale som sina kunder. När vi frågade om teamet bakom Neuton, vi har inte fått några namn, som du kanske känner igen.
Också: Alibaba neurala nätverk besegrar människa i det globala att läsa testet
Blair Newman, Bell Integrator CTO, sade att detta var levererade av ett team av forskare ackumulera mer än 700 års erfarenhet som forskare och samtidigt lyckas lösa komplexa algoritmiska problem i augmented reality, artificiell intelligens, neurala nätverk, maskininlärning, video analytics, internet of things, och blockchain.
Vi kan bara spekulera i hur Neuton kom att bli. Dess funktioner, men verkar ganska imponerande, nästan för bra för att vara sant. Om inget annat, Neuton har inte varit på radar även för människor som lever och andas maskininlärning. När vi frågade Soumith Chintala, Facebook forskare som är ledande PyTorch för en kommentar om Neuton, hans svar var att han inte var medveten om det, även om han övervakar området noga.
“Störande” är ett slitet begrepp, men för det här neurala nätverket ram, det bara kan vara sant. (Bild: Bell Integrator)
Neuton, säger Bell Integrator, är egenföretagare växande och lärande: Det finns inget behov av att arbeta på lager och nervceller; det är bara att förbereda ett dataset, och en modell som kommer att odlas automatiskt. Och modellen behöver också färre utbildning prover.
Förutom riktmärken, nu kan du ladda ner de modeller och se för dig själv, säger Bell Integrator. De modeller som sägs vara 10 till 100 gånger mindre och snabbare än de som byggts med befintliga ramar och icke-neurala algoritmer, medan även med 10 till 100 gånger mindre i nervceller.
Också: Deep Learning: Det intresse som är mer än latent
Ingen overfitting, långt färre absoluta och relativa fel i valideringen prov, högre precision, och Auto-ML — inget behov för ett vetenskapligt eller AI bakgrund. Endast grundläggande tekniska färdigheter som krävs. Och, om du inte är förbryllad nog ändå, här är en sak till: I Neuton s FAQ, står det att den första versionen kommer att vara utan CNN/RNN (convolutional/återkommande neurala nätverk).
Att neurala nätverk eller inte neurala nätverk?
Vad betyder allt detta? Är Neuton ett neuralt nätverk, eller inte? Behövs det en utbildning, eller inte? Newman sade att även CNN/RNN stöd ingår inte i den första utgåvan, Neuton är ett neuralt nätverk som effektivt löser Regression och Klassificering problem. Det behöver utbildning, men utbildning prover är mindre i jämförelse med andra algoritmer.
Också: Intel presenterar Nervana Neurala Nätverk Processor
De resulterande modellerna levereras i hdf5-format, som är öppen källkod och kan användas av de flesta moderna programmeringsspråk och ramverk, inklusive Keras. Hdf5-stöds av Python, Java, R, etc. Det finns också stöd för att en färdig att använda REST-API service, och för Grafikprocessorer.
Newman sade:
“Neuton är en oberoende metod för lärande, det är vår egen utveckling. Neuton är arbetsflöde är mycket enkel och består av ett fåtal steg.
I ett första steg en användare laddar upp sina data. I det andra steget, som de ange vilka data som ska användas för utbildning och vilken som ska användas för validering. I det tredje steget, väljer du ett värde för sin uppgift och kriterier för utbildning för att stoppa. Efter utbildningen är klar, vi gör det möjligt för användaren att se på dess riktighet, prognoser resultat på okända data. Vid det sista steget, kan användaren välja hur man vill använda modellen.
Vi ger möjlighet för att ladda ner den modell eller hosting i molnet. För stora företag kunder som inte känner sig trygga i att överföra sina data till ett offentligt moln rullar vi ut modellen på lokaler.
Neuton modell kan användas antingen som en fristående lösning eller att bygga en ensemble av olika algoritmer. Modeller som bygger på Neuton kan automatiskt rullas ut som en REST-API-tjänster med ett enda klick. De kan också laddas ner med ett kodexempel för lokal användning i Python.”
Några av Neuton är benchmark resultat. Tagit till nominellt värde: Neuton kan göra mindre med mera-bättre noggrannhet, med mindre utbildning data. (Bild: Bell Integrator)
Hur är detta möjligt? Och vad är det med dessa riktmärken? Är specifikationerna för de riktmärken som finns? Kan tredje man återge resultaten? De har utbildning och slutsats? Varför är vissa resultat som mäts för Neuton inre modeller, och andra för ensemble också?
Newman förklarade:
“Tack vare vår egen algoritm och störande maskininlärning teknik, modeller byggda på Neuton är super kompakt, vilket innebär att de består av ett relativt litet antal nervceller och koefficienter. Själva algoritmen är vår IP, därför kan vi inte lämna ut det. Neuton resultaten jämfördes mot Caffe2, Tensor Flöde+Keras, CNTK, Ficklampa, Theano. Dessa nätverk visade mycket liknande resultat.
Även: Snabbt.ai: s programvara kan radikalt demokratisera AI
Newman gick på att klargöra att, för att spara utrymme på skärmen, på riktmärke tabeller visar de Keras med TensorFlow backend samt icke-neurala metoder, såsom alla populära algoritmer xgboost, catboost, linjära/logistisk regression, random skog, etc.
Han sade:
“Resultaten är också en reproducerbar av tredje part, och utbildade modeller tillsammans med datamängder och TensorFlow konfiguration som används kan hämtas från webbplatsen för användning offline. Vi har visat Neuton s framtida utgåvor funktioner.
Vi har utfört några experiment för att bevisa att använda Neuton modeller i ensemble dramatiskt förbättra resultaten av den enhetliga modellen. Vi använde dessa resultat i jämförelse med vissa traditionella algoritmer som är ensembler sig (xgb, random skog, etc.).”
Att Neuton eller inte Neuton?
Tekniskt sett kan vi inte säga om Neuton inte Djupt Lärande eller inte, eftersom vi inte vet sin inre arkitektur. Men det förändrar inte det faktum att allt detta låter imponerande. Prestanda är dock inte allt. Hur fungerar Neuton stack upp mot de försökte-och-sant-mästare och de senaste och största PyTorch och snabbt.ai?
Också: Google Hjärnan, Microsoft lod mysterier nätverk med AI
Newman sade:
“Till skillnad från Neuton, PyTorch och Snabbt.ai kräva en del kodning och kunskap om neurala nät arkitekturer, vilket innebär att vår målgrupp är mycket bredare och modell setup kortare tid, oavsett nivå av expertis.
Vi erbjuder också våra användare är alla nödvändiga infrastrukturen delar inklusive lagring för data och modeller, virtuella maskiner med GPU för utbildning, virtuella maskiner för att rulla ut i molnet, samtidigt samtidigt ge företagets kunder att använda Neuton på deras premiss om så önskas.
Från och med den prestanda och effektivitet perspektiv den nya bibliotek som nämns ovan är fortfarande den samma och påverkar inte våra riktmärken.”
Neuton har fått sitt namn efter Sir Isaac Newton, som försöker dra en parallell med Newtons arbete. (Bild: Bell Integrator)
Newman läggas till:
“Neuton gör AI tillgänglig för alla och förstärker människans uppfinningsrikedom, som kommer att ha en omvälvande påverkan på ekonomin, varje bransch, vetenskapliga genombrott, och kvaliteten på våra och kommande generationers vardag genom en bredare användning och antagandet av artificiell intelligens.
Vi tror att intelligens gör världen till en bättre plats.”
Newman fortsatte med att ge en bakgrund till Neuton är namngivning. Neuton är en ordlek på neurala nätverk, och Sir Isaac Newton, som tror att intelligens gör världen till en bättre plats.
Det skulle vara svårt att hävda något annat. Men den verkliga frågan här är: Skulle du glömma allt annat och börja bygga din nästa AI modeller på Neuton? Tja, kanske inte så snabbt.
Klart, en del experimenterande behövs, och Bell Integrator hoppas att det kommer att locka tillräckligt med uppmärksamhet för att åtminstone locka människor att ge Neuton ett försök. Men tänk att allt detta fungerar som utlovat, vad är nästa steg?
Dessutom: Möt bisarra D&D varelser som gjorts av ett neuralt nätverk CNET
Bell Integrator affärsmodell för Neuton är inte klart för oss, eftersom vi inte får ett uttryckligt svar på vår begäran och för att kommentera. Neuton är proprietär, så mycket är säkert, men hur mycket det kommer att kosta att använda detta, och på vilka villkor, att vi inte vet vid det här laget.
Detta står i skarp kontrast till ganska mycket alla andra ramverk där ute, som är open source. Naturligtvis öppen källkod betyder inte gratis, och alla har sina skäl för att gå öppen källkod sätt. I slutändan, även om du får använda maskinen lärande ramar för gratis, lagring och beräknar kommer du att få betala för, så har en öppen källkod är ett bra sätt för moln att locka intäkter.
Naturligtvis, Neuton kommer också att behöva lagring och beräkna resurser för att arbeta, även om det är mycket mindre av det. Så, från en annan synvinkel, det gäller att göra matten på en per fall: Kommer kostnaden för att använda Neuton motiveras av lägre kostnad i resurser som krävs för att använda det?
Vi kommer också att se hur Neuton princip ut från en användbarhet och stöd perspektiv. På papper, API och språkstöd verkar bra, även om vi får vänta med att se det i praktiken, särskilt när det gäller att “ingen erfarenhet krävs” påstående. Plus, ett konsultföretag som Bell Integrator får inte användas till, eller är redo för, hantera en massiv ansökningar om stöd. Några av Neuton operativa lägen inte är fullt funktionella på denna punkt också.
I alla fall om need for speed är din Nr 1 krav, Neuton är definitivt värt en titt. Det ska bli intressant att se hur detta kommer att påverka utvecklingen i maskininlärning.
Tidigare och relaterade täckning:
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade artiklar:
Det finns ingen roll för AI eller data vetenskap: det här är ett lagarbete Start Släkt ger strimma av hopp för AI i robotik AI: vy från Chief Data Vetenskap Kontor Salesforce intron Einstein Röst, en AI röst assistent för företag att det inte är Det jobb AI är förstört som stör mig, det är de som är growingDevelopers, gläd dig: Nu AI kan skriva kod om du TechRepublic
Relaterade Ämnen:
Innovation
Digital Omvandling
CXO
Sakernas Internet
Affärssystem
Smarta Städer
0