Adozione AI sta diventando sempre più importante. Immagine: IBM
Deep learning (DL), di machine learning (ML) e l’intelligenza artificiale (AI) sono sempre un sacco di trazione e per una buona ragione, come abbiamo esplorato. Secondo recenti indagini, sembra che ormai la maggior parte degli sviluppatori e dirigenti, hanno compreso l’importanza di AI e sono almeno sperimentare con esso.
C’è un problema però: AI è difficile. AI siede sul fondo di uno spettro di analisi basate su dati applicazioni. Quindi, se i dati della scienza abilità sono così difficile da ottenere, AI competenze sono ancora di più. DimensionalMechanics appena annunciato il suo approccio alla chiusura AI gap di competenze, chiamato NeoPulse AI Studio (NAIS). NAIS è parte di NeoPulse Quadro (NPF), che combina una serie di interessanti approcci e può mostrare la via da seguire per gli altri.
Modelli di classificazione
Proviamo a immaginare questo scenario semplice: dal momento che, come tutti sappiamo, internet è fondamentalmente sui gatti, ogni organizzazione dovrebbe a un certo punto si vuole sviluppare un’applicazione per eseguire la scansione attraverso le immagini e capire quali contengono i gatti per un uso futuro. Che in realtà è un entry level attività di classificazione, qualcosa che DL eccelle.
Il livello di entrata può essere, ma facile non è: devi scegliere un DL quadro utilizzare,comprendere il suo funzionamento interno e le API, trovare o sviluppare un modello che è adatto per il compito, allenata da alimentazione di dati di esempio e poi integrarlo nel vostro pila esistente e di distribuirlo. Ma allora visto che a un certo punto tutti sarebbero in grado di fare questo, di stare un passo avanti è necessario classificare le immagini di cani. Come NPF aiutarti?
Prima, consentendo di cercare un modello che fa per voi in NeoPulse AI Store. Sì, che suona analogo a un app store, se non si sarà in grado di acquistare per i modelli DL invece di apps. Avendo un’intelligenza artificiale modello di mercato suoni grande, tuttavia, al fine di apportare eventuali mercato del lavoro un sacco di cose bisogno di fare clic.
Rajeev Dutt, DimensionalMechanics CEO e fondatore, dice che il negozio sarà inizialmente solo modelli costruiti utilizzando NAIS, al fine di controllare la loro struttura interna e disporre di un modo standard per le rappresentano. Il negozio sarà di bootstrap con i modelli sviluppati dalla DimensionalMechanics, e il costo addebitato sarà basato sul modello specifiche dimensioni, la potenza di calcolo necessaria etc. L’obiettivo è quello di rendere il mercato a prezzi accessibili e di dare agli sviluppatori un modo per monetizzare i loro modelli in fretta.
Dutt dice che, mentre DimensionalMechanics ha personalizzato i modelli per fare immagine classificazione, la loro attenzione è sui modelli personalizzati: “Out of the box, abbiamo un modello di classificazione in grado di identificare gli oggetti in video. Può essere utilizzato in due modi: sulla premessa, nel cui caso la licenza effettivo AI modello, o nel cloud, e in questo caso si sarebbe chiamata una nuvola di API. Il nostro core a valore aggiunto è nella creazione di modelli personalizzati”.
Quindi, se si trova un modello che permette di identificare sia i gatti e i cani in negozio, tutto funziona in un batter d’occhio. Ma cosa succede se non si? Si hanno due opzioni. Uno, se si trova un modello che fa qualcosa di simile a ciò che si desidera, è possibile ri-formare. Quindi, se c’è un modello che può identificare i gatti, è possibile ri-treno per identificare i cani troppo. Due, se non riesci a trovare un modello che è abbastanza vicino a quello che vuoi fare, è necessario sviluppare uno da zero..
Alimentazione modelli con i dati
Dutt dice che “NAIS consente di utilizzare le immagini modelli di classificazione e di “fine-tune” in modo che non è necessario riqualificare il modello da zero. Si può prendere un’immagine generica modello di classificazione e riqualificare, a riconoscere i cani – supponendo che il modello originale è stato costruito utilizzando NAIS. L’unica cosa di cui hai bisogno è la formazione di dati”.
Entrambe queste ipotesi sono in realtà una specie di grande affare, ma torniamo ai dati, per ora. Che fornisce i dati di training e la formazione? Cosa succede se non si dispone di dati di training, o non etichettati?
DimensionalMechanics di pus intelligenza artificiale a portata di mano per più organizzazioni, e l’apertura di un numero di fronti. Immagine: DimensionalMechanics
Il conferimento dei dati di allenamento (e di etichettatura) deve essere fatto dall’utente. Dutt dice che NAIS utilizza modi per ridurre la quantità di dati necessari per il treno – per esempio quando si ottimizzare un modello esistente, non hai bisogno di quasi tutte le immagini. Egli aggiunge che, NAIS, sfrutta la più recente ML di ricerca per ridurre i requisiti in materia di dati, rendendo possibile l’utilizzo anche in alcuni casi in cui i dati non etichettati:
“Per esempio, se si dispone di un registro di dati TCP/IP, è possibile utilizzare questo come dati grezzi per formare un modello di riconoscere il “comportamento normale”. Una volta che il modello è stato addestrato, quindi il modello è in grado di dirvi se il traffico firma è considerato normale o è successo qualcosa. Prendere una rete di evento di apertura. Se l’utente non dispone dei dati di allenamento di qualsiasi tipo, l’utente dovrà utilizzare uno dei nostri “off-the-shelf” modelli”.
Lo stesso vale per la funzionalità di selezione: “Per molti problemi di rete neurale e seleziona automaticamente le caratteristiche o ridurre le dimensioni (es. Classificazione di immagini, audio, analisi, etc.). In alcuni casi, tuttavia, è necessario per un essere umano, un passo in avanti. Per molti dei problemi che NAIS è stato progettato per risolvere, la funzionalità di selezione è gestita tramite la rete neurale utilizzata”.
E se i vostri dati di allenamento non può lasciare la vostra sede, sia a causa della politica di restrizioni o perché è semplicemente troppo grande? Dutt dice che c’è la possibilità di eseguire il modello on-prem, ma che tipo di ambiente che richiedono l’esecuzione in tempi realistici?
“In genere il requisito hardware di una macchina con un CUDA 8 scheda grafica compatibile in esecuzione su Linux Ubuntu. Abbiamo una vasta gamma di hardware che vanno da Nvidia GeForce 1080 (~$550) e high-end K80s (~$3000). La maggior parte dei nostri sviluppatori treno a bassa spec hardware. Il nostro K80s sono utilizzati per la formazione di modelli di grandi dimensioni”.
Lasciando modelli selvaggio
Ma cosa succede se, nonostante tutti i tuoi sforzi non sono ancora riuscito a trovare o riqualificare un modello che fa quello che vuoi? Questo è dove NAIS entra in gioco – si dovrà utilizzare per costruire il vostro modello. E imparare un nuovo linguaggio chiamato NML (NeoPulse Modeling Language). Ma non preoccupatevi, dice Dutt, oracle è lì per aiutarvi a:
“NAIS utilizza qualcosa chiamato “the oracle”, che è una intelligenza artificiale che sa come costruire AI modelli. NML è una lingua che abbiamo progettato per ingegnere AI modelli. NML espone una parola chiave auto che indica al compilatore di consultare l’oracolo per capire la giusta risposta ad una domanda specifica. Per esempio, l’auto può essere utilizzato per capire la giusta DL architettura.
In questo caso oracle è consultato in merito a ciò che è il diritto di architettura e di utilizzare i suggerimenti forniti dal committente. Lo sviluppatore non ha bisogno di sapere nulla di machine learning. E ‘ semplice come x -> auto -> y, dove x è l’ingresso e y è l’output. Auto cifre fuori la giusta architettura per fare la mappatura.
La cosa su oracle è che essa impara col tempo e c’è di meglio al suo lavoro. C’è un teorema che dice che il DL reti sono “universali approximators”. Circa, che cosa questo significa è che se si hanno due variabili che sono legati in qualche modo che lei non capisce, poi c’è garantita da una rete neurale che può associare una variabile sull’altra. Come risultato, concentrandosi su DL siamo in grado di risolvere un gran numero di problemi”.
NML è stato sviluppato in-house da DimensionalMechanics ed è “l’unica lingua che sappiamo che è stato progettato per il DL. In 30 righe di codice, si può fare quello che vuole 600 righe di codice utilizzando TensorFlow con python.
NeoPulse Modeling Language è un linguaggio nuovo che è stato progettato per l’apprendimento profondo, che DimensionalMetrics crediti è “progettato in modo che uno studente di scuola superiore con una codifica sfondo del codice”. Immagine: DimensionalMetrics
La chiave per NML è che automatizza grandi blocchi di IA generazione del modello, il che significa che lo sviluppatore non ha a che fare questo. NML strutture di apprendimento profondo della creazione utilizzando un elegante “blocco” approccio che scompone il problema in intuitivi blocchi, ognuno dei quali può essere completamente automatizzata”.
Avendo un oracolo, dalla vostra parte, e riducendo la quantità di codice necessario suona alla grande, ma dal momento che stiamo parlando di una cosa chiamata AI Studio, dopo tutto, la domanda che ogni sviluppatore mente probabilmente è se questo è in realtà un IDE:
“Attualmente, AI studio stesso espone un’interfaccia REST che permette una facile integrazione con qualsiasi ambiente di sviluppo integrato, ma ci stiamo concentrando su un visual UI di sicurezza. È in gran parte a riga di comando guidato. Possiamo guardare integrazione con comunemente utilizzati Ide come Atom o Visual Studio in un prossimo futuro”, dice Dutt.
E no, il riferimento a TensorFlow non era una coincidenza. Dutt dice che in futuro DimensionalMechanics potrebbe aprire le porte ad altre biblioteche o permettere all’utente di scegliere una propria libreria, ma per il momento questo è quello che NAIS utilizza sotto il cofano.
In ogni caso, dopo che un modello è costruito e addestrati, NAIS costruisce un pacchetto con un piccolo wrapper per la distribuzione della rete neurale. Per accedervi è necessario il NeoPulse Query Runtime (NPQR). NPQR permette di interrogare la rete neurale utilizzando una semplice interfaccia RESTO che viene generato automaticamente.
Dutt dice che attualmente NPQR si siede su una distribuzione Linux basata macchina con un CUDA 8 scheda grafica compatibile, ed è possibile accedere al NPQR tramite una chiamata al servizio web da qualsiasi dispositivo (es. Computer portatile, telefono cellulare, ecc).
Cani e gatti
Così che cosa fare di tutto questo? A seconda di come la si guarda, si può dire che è il modo per il futuro o troppo ambizioso, e probabilmente avete ragione entrambi.
Da un lato, l’automazione l’automazione può essere al di là di impressionante, che può essere molto pratico e con un enorme aumenta la produttività. Altri, come Viv, Alpino Dati o BeyondCore sono già state tentando con un bel po ‘ di successo. La differenza è che DimensionalMechanics sembra target un pubblico più ampio.
“Dove siamo diversi è che abbiamo un’intelligenza artificiale che alimenta NAIS che sa come costruire i modelli DL e diventa più intelligente nel corso del tempo. Utilizzando NAIS, ci sono non si limita a qualsiasi verticali di settore, siamo in grado di risolvere i problemi di tutto il consiglio – ci sono sconfinate in termini di ML problemi che possiamo affrontare.
Un altro punto saliente è che con NAIS modelli oracle genera sono generalmente in prossimità o in “state-of-the-art” – così uno sviluppatore con ML non ha capacità di creare modelli che rivaleggiano con quelli creati da ML esperti”, dice Dutt.
Gli sviluppatori con nessuna Macchina precedente esperienza di Apprendimento per essere produttivi in 2 settimane di tempo? Che è quello che DimensionalMechanics promesse. Immagine: DimensionalMechanics
Dutt afferma, inoltre, NML è molto semplice da imparare, come è stato progettato per essere intuitivo, suddividendo il codice in blocchi che descrivono il loro uso: architettura, di origine, di input, di output, di allenarsi e correre: “noi Abbiamo progettato in modo che uno studente di scuola superiore con conoscenze di programmazione in grado di codificare. Uno sviluppatore con no AI di competenze in grado di creare facilmente utilizzando NML. Un utente business, probabilmente non sarà in grado di usarlo a meno che lui/lei può scrivere script”.
Chiaramente, un ambiente di sviluppo sarebbe di aiuto non c’è, quindi perché DimensionalMechanics erogare tutto questo sforzo nella costruzione di oracoli e non fare nulla per questo? Una risposta plausibile potrebbe essere il fatto che in uno spazio che si muove a passi da gigante, c’è solo così tanto un 11-persone di avvio può fare su Googles del mondo.
Il che solleva un’altra domanda interessante: cosa è DimensionalMechanics cercando di essere? È un edificio in cima a Google TensorFlow, il leader DL quadro, a questo punto (nel condivise almeno). E così si può dire è di cercare di essere qualcosa di simile a ciò che un certo numero di IDE fornitori per Android, è stato un facilitatore.
Ma sembra anche DimensionalMechanics sta cercando di battere Google per il pugno, l’avvio di un modello DL mercato, edificio su Google biblioteca. Questo ha senso, e non DimensionalMechanics hanno il peso per fare questo lavoro? E se questo è il suo obiettivo primario, perché non andare per una non specifica per Google DL ponte biblioteca come Keras?
Allo stesso tempo, DimensionalMechanics è anche annunciato un finanziamento di Serie B tondo e una partnership con GrayMeta, che Dutt dice, è necessario fornire AI servizi in diverse forme ed è emozionante perché GrayMeta ha accesso a una ricca e variegata serie di global media clienti. DimensionalMechanics e GrayMeta già collaborano su un numero di progetti personalizzati.
Certo che c’è mancanza di ambizione o attività. Quante di queste affermazioni sono dimostrato in pratica e come tali scommesse pay off resta da vedere, ma se è DimensionalMechanics o qualcun altro che fa accadere, è la comunità che trarranno beneficio.
Chi davvero possiede il vostro Internet delle Cose?
In un mondo dove sempre di più gli oggetti sono in linea e i fornitori coinvolti nella catena di fornitura, come si può tenere traccia di ciò che è tuo e ciò che non lo è?