Nul
I dag markerer kulminationen af to års udvikling for noget software, der kunne gøre maskine at lære en masse nemmere at programmere, og derved bidrage til at demokratisere AI.
Der er håb om at Jeremy Howard, en medstifter af San Francisco-baserede Hurtigt.ai, en start tøj, der er i dag frigiver version 1.0 af “fastai,” et sæt af kode biblioteker designet til radikalt at forenkle skriver machine learning opgaver.
Bygget på toppen af Facebook ‘ s Pytorch bibliotek, som også har sin egen version 1.0 release i dag, fastai gør det muligt at udføre opgaver såsom at køre en convolutional neurale netværk til billede anerkendelse på ImageNet benchmark-test med blot en håndfuld linjer kode. (ZDNet ‘s Steven J. Vaughan-Nichols har mere på Facebook’ s open-sourcing PyTorch.)
De værktøjer, der kommer ud af en række populære kurser på machine learning køre Hurtigt.ai, som Howard stiftet for tre år siden med hans kone, Rachel Thomas. Både enkeltpersoner, der havde et overordnet mål om at gøre AI meget mere tilgængelige. “Vi mener begge, i kraft af dyb læring,” Howard fortalte ZDNet, “men vi var begge bange for at i det omfang, som den nuværende homogen gruppe af unge hvide mænd, der kontrollerer de fleste af tech, og så besluttede vi at gøre noget ved det.”
Også: Facebook åbne kilder PyTorch 1.0 AI ramme
“Hvad jeg håber, er, at masser af folk vil indse, at state-of-the-art resultaterne af dyb læring er noget, de kan opnå, selv hvis de ikke har en Stanford University dyb læring Ph.d. – afhandling.”
Fra starten, Howard og Thomas forestillede sig en software komponent for deres machine learning-kurser. I virkeligheden, “vores interne mål var at komme til det punkt, hvor vi ville ikke have et kursus mere,” siger han, spøg, at “det faktum, at vi har et kursus betyder, så vidt vi har kunnet.” I virkeligheden, Hurtigt.ai ‘ s læreplaner og arbejdet med eleverne var “en måde at se, hvad vi havde brug for at gøre” for at gøre hele processen med programmering machine learning meget enklere.
Den fastai bibliotek er blevet udviklet i stumper og stykker i løbet af de sidste to år, det meste af Howard sig selv, men med lidt hjælp fra de studerende i kurser, især fransk matematik lærer, der gjorde et residency med Howard, Sylvain Gugger.
Dagens udgivelse er første gang, at alle de dele, der kommer sammen i en poleret, integreret helhed.
Howard startede ud ved hjælp af Keras bibliotek af neurale net funktioner, først på toppen af Python-bibliotek kaldet Theano, og derefter på toppen af Googles udbredte TensorFlow.
I sidste ende, “Vi fandt Keras var ikke fleksible nok” til Fastai formål, siger Howard. Pytorch, derimod, var en meget mere udtryksfuld måde i gør det muligt for ham at gennemføre nye ML algoritmer. “Keras klasse API kender ikke mange ting, du skal bruge, er du nødt til at fortælle det til en masse mere,” forklarer han, “hvilket betyder, at du er nødt til at være en stærk-nok praktiserende læge” for machine learning.
Også: Top 5: Ting at vide om AI TechRepublic
I modsætning til “Pytorch har en meget, meget flot klasse bibliotek, og den måde, at det giver dig mulighed for at arbejde med data, der er virkelig pæn, det er let og fleksibel.”
Pytorch funktioner, der er særligt værdifulde ting, såsom “DataLoader” klasse, som sætter datasæt, siger, et billede-anerkendelse opgave på GPU (graphics processing unit) for dig.
Men, “PyTorch manglede Keras lethed-i-brug,” bemærker han. “Så vi besluttede at starte med at udvikle vores eget software til at gøre for PyTorch hvad Keras gjorde for TensorFlow; men i stedet for bare at lave en version af Keras, vi har skabt noget nyt.”
Det magiske af fastai er tydeligt i den elegance og enkelthed af fastai ‘ s syntaks, som pisk flere faser af aktivitet for hele ML opgave.
Her, for eksempel, er fastai kode for at kalde til en convolutional neurale netværk, eller CNN, for billedet anerkendelse, i dette tilfælde den populære MNIST håndskriftsgenkendelse test:
data = get_mnist()
lær = ConvLearner(data, tvm.resnet18, data=nøjagtighed)
lære.fit(1)
Det er alt, der er for det. Under motorhjelmen, fastai “Lærende” class ringer til en række Pytorch ressourcer til at gøre det hele til at virke.
Google ‘ s Google Cloud var den første til at annoncere støtte til fastai. Der er en interessant artikel om brugen af fastai og PyTorch på Google Sky af ML forsker Viacheslav Kovalevskyi, over på Medium.
Amazon ‘ s Amazon Web Services har bebudet støtte, og vil blive ved at gøre det tilgængeligt i sin “AWS Dyb Læring AMIs” og dens “Amazon SageMaker.” Microsoft har i dag annonceret støtte i sin Azure cloud service. Microsoft ‘ s chief technology officer for AI, Joseph Sirosh, sagde i en forberedt bemærkninger om, at Microsoft er “glad for at se Hurtigt.AI hjælpe demokratisere dyb læring på højt plan, og udnytte styrken af skyen.”
En anden måde at Howard håber koden vil demokratisere machine learning er ved sin anvendelse i en separat, start venture kaldet Platform.ai, hvor han er Chef Videnskabsmand. Et domæne ekspert, såsom en medicinsk forsker, kan uploade celle billeder eller andre data, der er til Platform.ai, mærke dem, og spytte ud en dyb læring model. Hensigten er at opbygge let grafiske bruger interfaces til domæne-specifikke løse et problem uden at det er nødvendigt at være ekspert i enten AI eller cloud computing – et meget gerne ideer af AI inden for medicin, der har cirkuleret i årtier, men med lidt payoff indtil nu.
(Mens Hurtigt.ai er registreret som a Delaware Corporation, i modsætning til Platform.ai, at tjene penge er ikke dens hensigt, men snarere at give open-source værktøjer for at gøre sådanne kommercielle ventures.)
Også: Google Hjernen, Microsoft lod de mysterier af netværk med AI
Howard har haft en sådan demokratiske idealer omkring machine learning i andre indstillinger. Han var en af grundlæggerne af Enlitic, San Francisco start, der bruger dybe læring for ting som erkendelse tumorer i medicinske billeder.
Howard selv har en spændende baggrund. Han fik en koncert som en strategi konsulent hos McKinsey & Co. lige ud af high school, dimitteret hurtigt op fra den rolle, help-desk support. Han gik derefter ud på at få en B. A. ved University of Melbourne i filosofi, men holdt høring i de områder af computer sciences og machine learning.
Howard har et stort perspektiv på både fortiden og fremtiden i machine learning. Længe før den nylige renæssance i dyb læring, med den indsats navn som egentlig betyder yoshua Bengio på Montreal ‘s MILA, og Geoffrey Hinton af Google’ s DeepMind, teknologi til multi-lag, hierarkisk neurale net eksisterede i 1990’erne. Han citerer “LetNet5” netværk bygget af Facebook ‘ s Yan LeCun, da han var akademiker, og flere “long-short-term memory” – modeller, der dengang.
“Vi har haft eksempler på [netværk] flere skjulte lag, ti til femten år forud for deres tid, men mange af os ikke tage varsel.”
Som for vejen fremad, at Howard er opmærksom på de seneste rush kritik af dyb læring ved kan lide af Gary Marcus, NYU kognitive forsker og iværksætter, der har skrevet lange artikler, der beskriver, hvordan dyb læring falder kort af den Hellige Gral for “kunstig generel intelligens”, og fortsætter med at tweet jævnligt om sådanne mangler.
Marcus, siger Howard, indebærer, dyb læring er praktiserende læger er ikke klar over sine begrænsninger, men de rent faktisk er klar. “Nå, ja, det er ting, det er ikke perfekt,” sagde han indrømmer, og “dyb læring kan ikke gøre alt, men det er en jolly nyttigt værktøj, og det kan hjælpe folk med at gøre deres job bedre på mange måder.”
Howard er en praktisk bent: “Måske er det ikke føre os til generaliseret AI, men hvem bekymrer sig om. Jeg forsøger ikke at bygge en hjerne, der er ikke noget, jeg er interesseret i.”
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede historier:
Der er ingen rolle for AI eller data videnskab: dette er en holdindsats Start Slægt bringer splint af håb for AI i robotteknologi AI: udsigt fra Chief Data Videnskab Kontor Salesforce-introer Einstein Stemme, en AI stemme assistent for virksomheder er det ikke Det job AI er ødelæggende for at genere mig, det er dem, der er voksende, Hvordan Facebook skalaer AI
Relaterede Emner:
Udvikler
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0