Nul
Dit gebeurt niet vaak. Diep leren is de heetste technologie van vandaag, met talloze toepassingen en diepe investering van de gebruikelijke verdachten. Om iets nieuws te hebben uitgebracht van iemand die niet onder de GAFAs van de wereld, en beweert te zijn drastisch beter in alle opzichten, zeker wat wenkbrauwen omhoog laten gaan.
Dat was onze reactie toen we werden benaderd door Bell Integrator over Neuton een paar maanden terug. Neuton is een neuraal netwerk kader, dat van de klok Integrator beweert het is veel effectiever dan enig ander kader en niet-neurale algoritme beschikbaar op de markt.
Ook: Nvidia wil uitvoeren neurale netwerken sneller, efficiënter
Naast het feit dat sneller, volgens vrijgegeven benchmarks, Bell Integrator zegt Neuton is een Auto ML oplossing met de resulterende modellen die zelf groeien en leren. En, om het nog wat uit, zegt Bell Integrator, Neuton is zo gebruiksvriendelijk dat u geen speciale AI-achtergrond nodig.
Machine learning oktober fest
Op het moment, het was veel gemakkelijker om erin te geloven dat alles, want er was niet veel te zien, naast een aantal indrukwekkende benchmarks en een release datum voor November. Vandaag de dag, toe te voegen aan de machine learning oktober fest, en mogelijk veroorzaakt door het, Neuton officieel vrijgegeven.
In de afgelopen paar dagen hebben we een nieuwe release van PyTorch, een van de toonaangevende neurale netwerk kaders door Facebook, evenals een nieuw item door snel.ai. We hebben ook gezien MLflow, een meta-kader door Databricks, dichter bij versie 1.0.
Nu, laten we proberen enig licht werpen op waar Neuton is afkomstig uit, hoe werkt het, en wat heeft het allemaal te betekenen. Laten we beginnen met de verkoper achter deze, die een eigen global consulting en technology services provider die al sinds 2003.
Bel Integrator heeft meer dan 2.500 medewerkers in 10 locaties en lijsten met namen zoals Ericsson, Cisco, Eeuw Link, Juniper, Citibank, Deutsche Bank en Société Générale als haar klanten. Toen we vroegen over het team achter Neuton, we niet alle namen die u zou kunnen herkennen.
Ook: Alibaba neurale netwerk nederlagen mens in global test te lezen
Blair Newman, Bell Integrator CTO, zei dit werd uitgevoerd door een team van wetenschappers accumuleren meer dan 700 jaar gecombineerde ervaring als wetenschappelijke onderzoekers, terwijl het met succes oplossen van complexe algoritmische problemen op het gebied van augmented reality, kunstmatige intelligentie en neurale netwerken, machine learning, video analytics, het internet van de dingen, en blockchain.
We kunnen alleen maar speculeren hoe Neuton gekomen. De functies, echter, lijkt het vrij indrukwekkend, bijna te mooi om waar te zijn. Als er niets anders, Neuton niet op de radars zelfs van mensen die er leven en ademen machine learning. Toen we vroegen Soumith Chintala, de Facebook-onderzoeker die leidt PyTorch voor een reactie op Neuton, zijn antwoord was dat hij niet op de hoogte was, hoewel hij bewaakt het veld op de voet.
“Disruptive” is een veel gebruikt begrip, maar voor dit neurale netwerk kader, het zou wel eens waar kunnen zijn. (Afbeelding: Bell Integrator)
Neuton, zegt Bell Integrator, is zelf groeien en leren: Er is geen behoefte om te werken in lagen en neuronen; gewoon bereiden in een dataset, en een model worden geteeld automatisch. En het model ook minder training monsters.
Naast de benchmarks, u kunt nu downloaden van deze modellen en zie voor jezelf, zegt Bell Integrator. De modellen worden gezegd dat de 10 – tot 100-keer kleiner en sneller dan die gebouwd met bestaande kaders en niet-neurale algoritmen, terwijl ook met behulp van de 10 – tot 100-keer minder in de neuronen.
Ook: Diep Leren: De rente is meer dan latent
Geen overfitting, veel minder absolute en relatieve fouten in de validatie monsters, hogere nauwkeurigheid en Auto ML — geen behoefte aan een wetenschappelijke of AI achtergrond. Alleen de basis technische vaardigheden vereist. En, als u niet verbaasd genoeg nog, hier is nog een ding: In Neuton de FAQ, deze is vermeld dat de eerste release zal zonder CNN/RNN (convolutional/recurrente neurale netwerken).
Neurale netwerk of niet neurale netwerk?
Wat betekent dit allemaal? Is Neuton een neuraal netwerk, of niet? Is het nodig een opleiding, of niet? Newman zei dat, hoewel CNN/RNN ondersteuning is niet inbegrepen in de initiële release, Neuton is een neuraal netwerk dat effectief oplost Regressie en Classificatie van problemen. Het is een opleiding nodig hebben, hoewel de training monsters zijn kleiner in vergelijking met andere algoritmes.
Ook: Intel onthult de Nervana Neurale Netwerk Processor
De resulterende modellen worden geleverd in de hdf5 formaat, die is open source en kan worden gebruikt door de meerderheid van de moderne programmeertalen en frameworks, waaronder Keras. Hdf5 wordt ondersteund door Python, Java, R, enz. Er is ook ondersteuning voor een kant en klaar REST API service, en voor de Gpu ‘ s.
Newman zei:
“Neuton is een onafhankelijke methode van machine learning, het is onze eigen ontwikkeling. Neuton de workflow is zeer eenvoudig en bestaat uit een aantal stappen.
In de eerste stap van een gebruiker uploadt hun gegevens. In de tweede stap, geven ze die gegevens te gebruiken voor de opleiding en die te gebruiken voor de validatie. Bij de derde stap, kiezen ze een metrische voor hun taak en criteria voor de opleiding te stoppen. Na de training is afgerond, kan de gebruiker ervoor in de juistheid, het voorspellen van de resultaten op onbekende data. Bij de laatste stap kan de gebruiker ervoor kiezen het gebruik van het model.
Wij bieden de mogelijkheid van het downloaden van het model of de hosting in de cloud. Voor grote zakelijke klanten die voelen zich niet veilig in het uploaden van hun gegevens aan een publieke cloud rollen we het model op het terrein.
Neuton het model kan worden gebruikt als een stand-alone oplossing of om te bouwen van een ensemble van verschillende algoritmes. Modellen die gebaseerd zijn op Neuton kan automatisch worden uitgerold als een REST-API service in één klik. Ze kunnen ook gedownload worden met een voorbeeld code voor lokaal gebruik in Python.”
Sommige van Neuton de benchmark resultaten. Genomen tegen de nominale waarde: Neuton kan minder doen met meer — een hogere nauwkeurigheid, met minder training data. (Afbeelding: Bell Integrator)
Hoe is dit mogelijk? En wat is er met deze ijkpunten? Zijn de specificaties van de benchmarks beschikbaar? Kunnen derde partijen om de resultaten te reproduceren? Ze zijn opleiding en gevolgtrekking? Waarom zijn sommige resultaten gemeten voor Neuton enkele modellen, en anderen voor het ensemble ook?
Newman uitgelegd:
“Dankzij onze eigen algoritme en storend machine learning technologie, modellen gebouwd op Neuton zijn super compact, wat betekent dat ze bestaan uit relatief weinig neuronen en coëfficiënten. De eigenlijke algoritme is van onze IP, dus we kunnen onthullen. Neuton resultaten werden vergeleken met Caffe2, Tensor Stroom+Keras, CNTK, Zaklamp, Theano. Deze netwerken toonde zeer vergelijkbare resultaten.
Ook: Snel.ai ‘ s software kan radicaal te democratiseren AI
Newman ging op om te verduidelijken dat, op te slaan ruimte op het scherm, op de benchmark tabellen tonen ze Keras met TensorFlow backend als de niet-neurale methoden, zoals alle populaire algoritmen xgboost, catboost, lineaire/logistische regressie, random forest, etc.
Hij zei:
“De resultaten zijn ook reproduceerbaar is door derden, en de opgeleide modellen samen met datasets en TensorFlow configuratie gebruikt kan worden gedownload van de website voor offline gebruik. We hebben aangetoond dat Neuton toekomstige releases functies.
We voerden een aantal experimenten die aantonen dat het gebruik van Neuton modellen in ensemble drastisch verbeteren van de resultaten van het interne model. We gebruikten deze resultaten in vergelijking met traditionele algoritmen die zijn ensembles zelf (xgb, random forest, enz.).”
Om Neuton of niet Neuton?
Technisch kunnen we niet zeggen of Neuton is Diep Leren of niet, aangezien we niet weten haar innerlijke architectuur. Maar dat verandert niets aan het feit dat dit alles klinkt indrukwekkend. Prestatie is echter niet alles. Hoe werkt Neuton stapel tegen het proberen-en-ware kampioenen en de nieuwste en beste PyTorch en snel.ai?
Ook: Google Hersenen, Microsoft peilen de mysteries van netwerken met AI
Newman zei:
“In tegenstelling tot Neuton, PyTorch en Snel.ai vereisen sommige codering en de kennis van het neurale netwerk architecturen, wat betekent dat onze doelgroep is veel breder en model setup-tijd korter wordt, ongeacht het niveau van expertise.
Ook bieden wij onze gebruikers alle noodzakelijke infrastructuur elementen inclusief opslag voor gegevens van de gebruiker en modellen, virtuele machines met GPU voor een opleiding, virtuele machines uit te rollen in de cloud, ondertussen gelijktijdig empowerment van zakelijke klanten voor het gebruik Neuton op hun huisvesting, waar gewenst.
Van de prestaties en de effectiviteit van het perspectief van de nieuwe bibliotheken hierboven zijn nog steeds hetzelfde en zijn niet van invloed op onze benchmarks.”
Neuton is vernoemd naar Sir Isaac Newton, proberen te trekken van een parallel met Newton ‘ s werk. (Afbeelding: Bell Integrator)
Newman toegevoegd:
“Neuton maakt AI voor iedereen beschikbaar en verhoogt het menselijk vernuft, die hebben een transformerende invloed op de economie, elke industrie, de wetenschappelijke doorbraken, en de kwaliteit van onze en toekomstige generaties in het dagelijkse leven door middel van breder gebruik en de acceptatie van kunstmatige intelligentie.
Wij geloven dat intelligentie maakt de wereld een betere plek te maken.”
Newman ging om wat achtergrond te Neuton de naamgeving. Neuton is een woordspeling op neurale netwerken, en Sir Isaac Newton, die geloofde dat intelligentie maakt de wereld een betere plek te maken.
Het zou moeilijk anders te debatteren. Maar de echte vraag hier is: Moet je vergeet alles anders en beginnen met het bouwen van uw volgende AI modellen op Neuton? Goed, misschien niet zo snel.
Duidelijk, sommige experimenten is nodig, en de Bell-Integrator in de hoop dat het zal aantrekken genoeg aandacht aan minstens verleiden van mensen om te geven Neuton een keer te proberen. Maar stel dat dit alles werkt zoals beloofd, wat is de volgende stap?
Ook: maak kennis met de bizarre D&D wezens gemaakt door een neuraal netwerk CNET
Bel Integrator business model voor Neuton is ons niet duidelijk, omdat we niet een expliciet antwoord op ons verzoek om commentaar. Neuton eigendom is, zoveel is zeker, maar hoe veel het gaat kosten om dit te gebruiken, en onder welke voorwaarden, hebben we het niet weten op dit punt.
Dit is in opvallende tegenstelling tot vrijwel elke andere kader die er zijn, dat is open source. Natuurlijk, open source betekent niet gratis, en iedereen heeft zijn redenen om uit te gaan van de open source manier. In het einde, zelfs als u gebruik kunnen maken van machine learning kaders voor gratis, storage en compute u betaalt voor, dus het hebben van een open-source framework is een goede manier voor cloud providers te trekken van de omzet.
Natuurlijk, Neuton moet ook de opslag en het berekenen van de middelen om te werken, zelfs als het is veel minder van. Dus, vanuit een economisch oogpunt, het komt neer op het doen van wiskunde per geval vastgesteld: de kosten van het gebruik van Neuton worden gerechtvaardigd door de verminderde kosten in middelen die nodig zijn om het te gebruiken?
We zullen ook zien hoe Neuton pannen uit van een usability en ondersteuning perspectief. Op papier, API en de steun van de taal lijken prima, hoewel we zullen moeten wachten tot het zien in de praktijk, met name voor wat betreft de “geen ervaring nodig” aanspraak maken op. Plus, een consultancy bedrijf als Bell Integrator mag niet worden gebruikt voor, of klaar voor, het omgaan met de grote vraag naar ondersteuning. Sommige van Neuton operationele modi zijn niet volledig functioneel op dit punt, ook.
In ieder geval, als need for speed is uw Nummer 1 eis, Neuton is zeker de moeite waard een kijkje. Het zal interessant zijn om te zien hoe dit zal invloed hebben op de vooruitgang in de machine learning.
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 growingDevelopers, verheugen: Nu AI kan code schrijven voor u TechRepublic
Verwante Onderwerpen:
Innovatie
Digitale Transformatie
CXO
Het Internet van Dingen
Enterprise Software
Smart Cities
0