Nu hvor vi ved, at Terminators ikke kommer for at hente os, er det tid til at blive venner med kunstig intelligens og drage fordel af det!
I lang tid var området for kunstig intelligens og dets mest berømte underdisciplin, Machine Learning, omgivet af en mystisk aura. Propagandapressemaskineriet pumpede artikel efter artikel ud, der forudsagde fremkomsten af superintelligente, superuafhængige og superonde maskiner, hvilket fik mange til at falde i fortvivlelse (inkluderet mig selv).
Og hvad har vi i dag at vise for al støjen og røgen? En AI-teknologi, der langt fra er perfekt, pinlig fejlog en begrænset, fejlfungerende robot, der næsten med magt blev forvandlet til en borger. For pokker, vi har ikke engang en anstændig sprogoversættelsesalgoritme endnu.
Hvis nogen i dag stadig insisterer på, at dommedag nærmer sig, er min reaktion her:
Så hvad er AI, ML og alle de buzzwords, hvis ikke enden på menneskeheden?
Nå, det er nye måder at programmere en computer til at løse problemerne relateret til klassificering og forudsigelse. Og gæt hvad, vi har endelig mange AI-tjenester, som du kan begynde at bruge med det samme i din virksomhedsapplikation og høste enorme fordele.
Hvad kan AI-platformene gøre for virksomheder i dag?
Godt spørgsmål!
Kunstig intelligens er så generisk i sin anvendelse (i hvert fald i teorien), at det ville være umuligt at påpege formålet, hvortil den blev udviklet. Det er som at spørge, hvad et regneark er udviklet til, og hvad man kan gøre med det. Nok er det udviklet til regnskab, men i dag overgår det langt det ansvar. Og regnskab er ikke den eneste funktion – folk bruger det som et projektstyringsværktøj, som en huskeliste, som en database og hvad ikke.
Det samme gælder AI.
Groft sagt er AI nyttig til opgaver, der er løst defineret og er afhængige af at lære af erfaring. Ja, det gør mennesker også, men AI har en fordel, da den kan behandle bjerge af data på ingen tid og nå frem til konklusioner meget, meget hurtigere. Som sådan er nogle af de typiske anvendelser af AI:
- Registrering af ansigter på et foto, en video osv
- Klassificering og tagging af billeder, for eksempel til forældrerådgivning
- Tale til tekst konvertering
- Genstandsgenkendelse i medier (f.eks. en bil, en kvinde osv.)
- Forudsigelse af aktiekursbevægelser
- Opsporing af terrorismefinansiering (blandt millioner af transaktioner om dagen)
- Anbefalingssystemer (shopping, musik, venner osv.)
- Captcha går i stykker
- Spamfiltrering
- Registrering af netværksindtrængen
Jeg kunne blive ved og ved og nok løbe tør for sider (billedligt talt), men jeg tror du får ideen nu. Disse er alle eksempler på problemer, som mennesker har kæmpet for at løse gennem traditionelle databehandlingsmetoder. Og alligevel er disse vigtige, da de har et enormt behov i erhvervslivet og den virkelige verden.
Så lad os uden videre begynde med listen over vores bedste AI-platforme og se, hvad de har at tilbyde.
Indholdsfortegnelse
Amazon AI Services
Ligesom Amazon hurtigt sætter virksomhederne ud af markedet, så er AWS så fuldstændig dominerende som platform, at der næsten ikke er andet, der kommer til at tænke på. Det samme gælder Amazon AI Servicessom er propfyldt med utrolig nyttige AI-tjenester.
Her er nogle af de overvældende tjenester, som AWS har.
Amazon Comprehend: Hjælper dig med at forstå hele det bjerg af tekstlige, ustrukturerede data, du har. Et eksempel på brugen er at udvinde eksisterende kundesupportchats og finde ud af, hvad tilfredshedsniveauet har været over tid, hvad kundens største bekymringer er, hvilke søgeord der bruges mest osv.
Amazon Forecast: Nul-opsætningstjeneste til at bruge dine eksisterende tidsseriedata og omdanne dem til nøjagtige prognoser for fremtiden. Hvis du undrer dig over, hvad tidsseriedata er, så tag et kig på denne artikel, jeg skrev for nylig (kig efter en database kaldet Timescale mod slutningen af artiklen).
Amazon Lex: Byg samtalegrænseflader (tekstuelle og/eller visuelle) ind i dine applikationer. Bag kulisserne kører Amazons trænede Machine Learning-modeller, der afkoder hensigter og laver tale-til-tekst i farten.
Amazon Personalize: Enkel service uden infrastruktur til at skabe anbefalinger til dine kunder eller dig selv! Du kan indtaste e-handelsdata eller næsten hvad som helst til denne tjeneste og nyde meget nøjagtige og interessante forslag. Selvfølgelig, jo større datasættet er, jo bedre vil anbefalingerne være.
Der er mange flere AI-tjenester, Amazon har, og du kan stort set bruge hele dagen på at gennemse dem. Ikke desto mindre er det en aktivitet, jeg varmt kan anbefale! 🙂
Bemærk: Det er svært at finde en oversigt over alle disse tjenester samlet på AWS-dokumenterne, men hvis du går til https://aws.amazon.com/machine-learning, er disse angivet i rullemenuen under “AI Services.”
TensorFlow
TensorFlow er et bibliotek (og også en platform) skabt af holdet bag Google hjerne. Det er en implementering af ML-underdomænet kaldet Deep Learning Neural Networks; det vil sige, at TensorFlow er Googles bud på, hvordan man opnår maskinlæring med neurale net ved hjælp af teknikken med deep learning.
Nu betyder det, at TensorFlow selvfølgelig ikke er den eneste måde at bruge neurale netværk på – der er masser af biblioteker derude, hver med sine fordele og ulemper.
Overordnet set giver TensorFlow dig de almindelige maskinlæringsfunktioner til mange forskellige programmeringsmiljøer. Når det er sagt, er basisplatformen ret visuel og er mest afhængig af grafer og datavisualiseringer for at få arbejdet gjort. Som sådan, selvom du ikke er programmør, er det muligt, med en vis indsats, at få gode resultater ud af TensorFlow.
Historisk set var TensorFlow rettet mod at “demokratisere” Machine Learning. Efter min viden var det den første platform, der gjorde ML enkel, visuel og tilgængelig i denne grad. Som et resultat eksploderede ML-brugen, og folk var i stand til nemt at træne modeller.
Det vigtigste salgsargument for TensorFlow er Keras, som er et bibliotek til effektivt at arbejde med neurale netværk programmatisk. Her er, hvor nemt det er at skabe et simpelt, fuldt tilsluttet netværk (perceptron):
model = tf.keras.Sequential() # Adds a densely-connected layer with 64 units to the model: model.add(layers.Dense(64, activation='relu')) # Add another: model.add(layers.Dense(64, activation='relu')) # Add a softmax layer with 10 output units: model.add(layers.Dense(10, activation='softmax'))
Selvfølgelig skal konfiguration, træning osv. også udføres, men de er også lige så enkle.
Det er svært at finde fejl med TensorFlow i betragtning af dets bragte ML til JavaScript, mobile enheder og endda IoT-løsninger. Men i puristernes øjne forbliver det en “mindre” platform, som enhver Tom, Dick og Harry kan rode med. Så vær klar til at møde lidt modstand, når du bevæger dig op ad færdighedsstigen og støder på flere “oplyste” sjæle. 🙂
Hvis du er nybegynder, så tjek dette ud TensorFlow introduktion online kursus.
Bemærk også: Noget kritik af TensorFlow nævner, at det ikke kan bruge GPU’er, hvilket ikke er sandt længere. I dag arbejder TensorFlow ikke kun med GPU, men Google har udviklet sin eneste specialiserede hardware kaldet TPU (TensorFlow Processing Unit), som er tilgængelig som en Cloud service.
Google AI-tjenester
Ligesom Amazons tjenester har Google også en suite af skyer tjenester kredser om AI. Jeg vil afholde mig fra at liste alle tjenesterne ud, da de er ret lig Amazons tilbud. Her er et skærmbillede af, hvad der er tilgængeligt for udviklere at bygge, hvis de er interesserede:
Overordnet set er der to måder, du kan bruge Googles AI-tjenester på. Den første er at bruge en model, der allerede er trænet af Google, og bare begynde at anvende den i dine produkter. Den anden er den såkaldte AutoML service, som automatiserer flere mellemliggende stadier af Machine Learning, og hjælper f.eks. fuldstackudviklere med mindre ML-ekspertise med at bygge og træne modeller nemt.
H2O
“2” i H2O formodes at være et underskrift (ligner den kemiske formel for vand, tror jeg), men det er besværligt at skrive det ud. Jeg håber folkene bag H2O vil ikke have så meget imod!
H2O er en open source platform til Machine Learning, der bruges af store navne inkluderet i Fortune 500.
Hovedideen er at få banebrydende AI-forskning til at nå ud til den brede offentlighed i stedet for at lade den forblive i hænderne på virksomheder med dybe lommer og løftestang. Adskillige produkter tilbydes under H2O-platformen, såsom:
- H2O: Basisplatformen til at udforske og bruge Machine Learning.
- Sparkling Water: Officiel integration med Apache Spark til store datasæt.
- H2O4GPU: GPU-accelereret version af H2O-platformen.
H2O laver også løsninger skræddersyet til virksomheden, og disse omfatter:
- Førerløs AI: Nej, førerløs AI har ikke noget at gøre med selvkørende biler! 🙂 Det er mere på linje med Googles AutoML-tilbud – de fleste af AI/ML-stadierne er automatiserede, hvilket resulterer i værktøjer, der er enklere og hurtigere at udvikle med.
- Betalt support: Som virksomhed kan du ikke vente på at rejse GitHub-problemer og håbe på, at de snart bliver besvaret. Hvis tid er penge, tilbyder H2O betalt support og rådgivning til store virksomheder.
Petuum
Petuum udvikler Symfoni platform, som er designet til ikke at få mig til at tro, at AI fungerer. Med andre ord, hvis du er træt af at kode og/eller ikke vil huske flere biblioteker og outputformater, vil Symphony føles som en ferie i Alperne!
Selvom der ikke er noget “åbent” ved Symphony-platformen, er funktionerne værd at savle over:
- Træk-og-slip brugergrænseflade
- Byg nemt interaktive datapipelines
- Tonsvis af standardiserede og modulære byggeklodser til at skabe mere sofistikerede AI-applikationer
- Programmering og API-grænseflader, der føler, at den visuelle måde ikke er kraftfuld nok
- Automatiseret optimering med GPU’er
- Distribueret, meget skalerbar platform
- Dataaggregering af flere kilder
Der er mange flere funktioner, som virkelig vil få dig til at føle, at adgangsbarrieren er blevet sænket betydeligt. Højt anbefalet!
Polyaxon
Den største udfordring i dag inden for Machine Learning og AI er ikke at finde gode biblioteker og algoritmer (eller endda læringsressourcer), men den dygtige teknik, der skal anvendes for at håndtere de gigantiske systemer og høje databelastninger, der resulterer.
Selv for erfarne softwareingeniører kan det være for meget at forlange. Hvis du også har det sådan, Polyaxon er et kig værd.
Polyaxon er ikke et bibliotek eller endda en ramme; snarere er det en ende-til-ende-løsning til styring af alle aspekter af Machine Learning, såsom:
- Dataforbindelser og streaming
- Hardwareacceleration
- Containerisering og orkestrering
- Planlægning, opbevaring og sikkerhed
- Pipelining, optimering, sporing mv.
- Dashboarding, API’er, visualiseringer mv.
Det er stort set biblioteks- og udbyderagnostisk, da et stort antal populære (open og closed source) løsninger understøttes.
Selvfølgelig skal du stadig håndtere implementering og skalering på et vist niveau. Hvis du vil undslippe selv det, tilbyder Polyaxon en PaaS-løsning, der lader dig bruge deres infrastruktur elastisk.
DataRobot
Kort fortalt, DataRobot er en fokuseret Machine Learning-løsning til virksomheden. Det er visuelt hele vejen og er designet til hurtigt at give mening i dine data og ud til konkret forretningsbrug.
Interfacet er intuitivt og slankt, hvilket giver ikke-eksperter mulighed for at sætte sig bag hjulene og generere meningsfuld indsigt.
DataRobot har ikke et væld af funktioner; i stedet fokuserer den på den traditionelle sans for data og giver bundsolide muligheder inden for:
- Automatiseret maskinlæring
- Regression og klassifikation
- Tidsserier
Oftere end ikke er disse alt, hvad du har brug for til din virksomhed. Det vil sige, i de fleste tilfælde er DataRobot alt hvad du behøver. 🙂
Neural Designer
Mens vi er på emnet letanvendelige, kraftfulde AI-platforme, Neural Designer fortjener en særlig omtale.
Der er ikke meget at sige om NeuralDesigner, men der er meget at gøre! I betragtning af at Neurale Netværk mere eller mindre har domineret den moderne Machine Learning-metodologi, giver det mening at arbejde med en platform, der udelukkende fokuserer på Neurale Netværk. Ikke mange valg, ingen distraktioner – kvalitet frem for kvantitet.
NeuralDesigner udmærker sig på mange måder:
- Ingen programmering påkrævet. Overhovedet.
- Der kræves ingen kompleks interface-bygning. Alt er lagt i fornuftige, letforståelige, ordnede trin.
- En samling af de mest avancerede og raffinerede algoritmer, der er specifikke for neurale netværk.
- CPU-parallelisering og GPU-acceleration for høj ydeevne.
Værd en se? Helt bestemt!
Prevision.io
Pervision.io er en platform til styring af alle aspekter af Machine Learning, lige fra behandling af data til implementering i skala.
ForudsigelseIO
Hvis du er udvikler, ForudsigelseIO er et utroligt nyttigt tilbud, du bør kigge nærmere på. I sin kerne er PredictionIO en maskinlæringsplatform, der kan indtage data fra din app (web, mobil eller andet) og hurtigt opbygge forudsigelser.
Lad dig ikke snyde af navnet – PredictionIO er ikke kun til forudsigelser, men understøtter hele spektret af Machine Learning. Her er nogle seje grunde til at elske det:
- Støtte til klassificering, regression, anbefalinger, NLP og hvad ikke.
- Byg til at håndtere alvorlige arbejdsbelastninger i et Big Data-miljø.
- Flere præbyggede skabeloner for dem, der har travlt.
- Leveres sammen med Apache Spark, MLlib, HBase, Akka HTTP og Elasticsearch, der imødekommer alle mulige behov for en robust, moderne app.
- Kombineret dataindtagelse fra flere kilder, uanset om det er i batch- eller realtidstilstand.
- Implementeret som en typisk webtjeneste – nem at forbruge og fodre.
For de fleste webprojekter derude, kan jeg ikke se, hvordan PredictionIO ikke giver meget mening. Gå videre og prøv det!
Konklusion
Der er ingen mangel på AI og ML framework eller platform i dag; Jeg var overvældet over valg, da jeg begyndte at researche til denne artikel. Som et resultat har jeg forsøgt at indsnævre denne liste til de unikke eller interessante. Hvis du synes, jeg er gået glip af noget vigtigt, så lad mig det vide.
Coursera fik nogle af de gode maskinlæringskurser, så tjek hvis du er interesseret i at lære.
Så hvilken platform er den bedste? Desværre er der ikke noget klart svar. En af grundene til, at de fleste af disse tjenester er knyttet til en bestemt teknologistak eller et bestemt økosystem (for det meste bygger det, der kaldes en muret have). Den anden, vigtigere grund, er, at AI- og ML-teknologier nu er blevet kommodificeret, og der er et kapløb om at levere så mange funktioner til så lav en pris som muligt. Ingen leverandør har råd til ikke at tilbyde, hvad de andre tilbyder, og ethvert nyt tilbud bliver kopieret og serveret af konkurrenterne næsten fra den ene dag til den anden.
Som sådan kommer det hele ned på, hvad din stak og mål er, hvor intuitiv du synes, tjenesten er, hvad din opfattelse af virksomhederne bag er, og så videre.
Men uanset hvad, så siger det sig selv, at AI endelig er tilgængelig som en tjeneste, og det ville være yderst uklogt ikke at gøre brug af det. 🙂