10 AI-plattformer for å bygge din moderne applikasjon

Nå som vi vet at Terminators ikke kommer for å hente oss, er det på tide å bli venner med kunstig intelligens og dra nytte av det!

I lang tid var feltet kunstig intelligens, og dens mest kjente underdisiplin, Machine Learning, omgitt av en mystisk aura. Propagandapressemaskineriet pumpet ut artikkel etter artikkel som forutsa fremveksten av superintelligente, superuavhengige og superonde maskiner, noe som fikk mange til å falle i fortvilelse (inkludert meg selv).

Og hva har vi i dag å vise for all støyen og røyken? En AI-teknologi som er langt fra perfekt, pinlig feilog en begrenset, feilfungerende robot som nesten med makt ble omgjort til en borger. Pokker, vi har ikke engang en anstendig språkoversettelsesalgoritme ennå.

Hvis noen i dag fortsatt insisterer på at dommedag er nær, her er min reaksjon:

Så hva er AI, ML og alle disse buzzwords hvis ikke slutten på menneskeheten?

Vel, dette er nye måter å programmere en datamaskin for å løse problemene knyttet til klassifisering og prediksjon. Og gjett hva, vi har endelig mange AI-tjenester som du kan begynne å bruke med en gang i forretningsapplikasjonen din og høste enorme fordeler.

Hva kan AI-plattformene gjøre for bedrifter i dag?

Godt spørsmål!

Kunstig intelligens er så generisk i sin anvendelse (i hvert fall i teorien) at det ville være umulig å peke på formålet den ble utviklet for. Det er som å spørre hva et regneark ble utviklet for og hva man kan gjøre med det. Visst, den ble utviklet for regnskap, men i dag overgår den langt det ansvaret. Og regnskap er ikke den eneste funksjonen – folk bruker det som et prosjektstyringsverktøy, som en gjøremålsliste, som en database, og hva ikke.

Det samme gjelder AI.

Grovt sett er AI nyttig for oppgaver som er løst definert og er avhengige av å lære av erfaring. Ja, det er det mennesker også gjør, men AI har en fordel ettersom den kan behandle fjell med data på kort tid og komme til konklusjoner mye, mye raskere. Som sådan er noen av de typiske bruksområdene for AI:

• Oppdage ansikter i et bilde, video osv
• Klassifisering og merking av bilder, for eksempel for foreldrerådgivning
• Konvertering av tale til tekst
• Gjenstandsgjenkjenning i media (f.eks. en bil, en kvinne osv.)
• Prediksjon av aksjekursbevegelser
• Oppdaging av terrorismefinansiering (blant millioner av transaksjoner per dag)
• Anbefalingssystemer (shopping, musikk, venner, etc.)
• Captcha bryter
• Spamfiltrering
• Deteksjon av nettverksinntrenging

Jeg kunne fortsette og fortsette, og sannsynligvis gå tom for sider (billedlig talt), men jeg antar at du skjønner ideen nå. Dette er alle eksempler på problemer som mennesker har kjempet for å løse gjennom tradisjonelle databehandlingsmetoder. Og likevel er disse viktige siden de har et enormt behov i næringslivet og den virkelige verden.

Så, uten videre, la oss starte med listen over våre beste AI-plattformer og se hva de har å tilby.

Amazon AI Services

Akkurat som Amazon raskt setter selskaper ut av drift, er AWS så fullstendig dominerende som plattform at det nesten ikke er noe annet som kommer til tankene. Det samme gjelder med Amazon AI Servicessom er stappfull av utrolig nyttige AI-tjenester.

Her er noen av de imponerende tjenestene som AWS har.

Amazon Comprehend: Hjelper deg å forstå alt fjellet av tekstlige, ustrukturerte data du har. Et eksempel på bruk er det å utvinne eksisterende kundestøttechatter og finne ut hva tilfredshetsnivåene har vært over tid, hva kundens største bekymringer er, hvilke søkeord som brukes mest osv.

Amazon Forecast: Nulloppsetttjeneste for å bruke dine eksisterende tidsseriedata og gjøre dem om til nøyaktige prognoser for fremtiden. I tilfelle du lurer på hva tidsseriedata er, ta en titt på denne artikkelen jeg skrev nylig (se etter en database kalt Timescale mot slutten av artikkelen).

Amazon Lex: Bygg samtalegrensesnitt (tekstuelle og/eller visuelle) inn i applikasjonene dine. Bak kulissene kjører Amazons trente Machine Learning-modeller som dekoder hensikt og gjør tale-til-tekst på farten.

Amazon Personalize: Enkel tjeneste uten infrastruktur for å lage anbefalinger for kundene dine, eller deg selv! Du kan legge inn e-handelsdata eller omtrent hva som helst til denne tjenesten, og nyte svært nøyaktige og interessante forslag. Selvfølgelig, jo større datasett, jo bedre vil anbefalingene være.

Det er mange flere AI-tjenester som Amazon har, og du kan stort sett bruke hele dagen på å bla gjennom dem. Likevel er det en aktivitet jeg anbefaler på det varmeste! 🙂

Merk: Det er vanskelig å finne et sammendrag av alle disse tjenestene samlet på AWS-dokumentene, men hvis du går til https://aws.amazon.com/machine-learning, er disse oppført i rullegardinmenyen under «AI Services.»

TensorFlow

TensorFlow er et bibliotek (og også en plattform) laget av teamet bak Google Brain. Det er en implementering av ML-underdomenet kalt Deep Learning Neural Networks; det vil si at TensorFlow er Googles syn på hvordan man oppnår maskinlæring med nevrale nett ved å bruke teknikken for dyp læring.

Nå betyr det at TensorFlow selvfølgelig ikke er den eneste måten å bruke nevrale nettverk – det er mange biblioteker der ute, hver med sine fordeler og ulemper.

Generelt gir TensorFlow deg maskinlæringsfunksjonene for mange forskjellige programmeringsmiljøer. Når det er sagt, er basisplattformen ganske visuell, og er mest avhengig av grafer og datavisualiseringer for å få jobben gjort. Som sådan, selv om du ikke er programmerer, er det mulig, med litt innsats, å få gode resultater ut av TensorFlow.

Historisk sett var TensorFlow rettet mot å «demokratisere» maskinlæring. Etter min kunnskap var det den første plattformen som gjorde ML enkel, visuell og tilgjengelig i denne grad. Som et resultat eksploderte ML-bruken, og folk kunne enkelt trene modeller.

Det viktigste salgsargumentet til TensorFlow er Keras, som er et bibliotek for effektivt å arbeide med nevrale nettverk programmatisk. Her er hvor enkelt det er å lage et enkelt, fullt tilkoblet nettverk (perseptron):

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 må konfigurasjon, opplæring osv. også gjøres, men de er også like enkle.

Det er vanskelig å finne feil med TensorFlow, tatt i betraktning dens brakte ML til JavaScript, mobile enheter og til og med IoT-løsninger. Men i puristenes øyne forblir det en «mindre» plattform som enhver Tom, Dick og Harry kan rote med. Så vær klar til å møte litt motstand når du beveger deg oppover ferdighetsstigen og møter flere «opplyste» sjeler. 🙂

Hvis du er en nybegynner, så sjekk ut denne TensorFlow introduksjonskurs på nett.

Merk også: Noe kritikk av TensorFlow nevner at den ikke kan bruke GPUer, noe som ikke er sant lenger. I dag fungerer TensorFlow ikke bare med GPU, men Google har utviklet sin eneste spesialiserte maskinvare kalt TPU (TensorFlow Processing Unit), som er tilgjengelig som en sky service.

Google AI-tjenester

Akkurat som Amazons tjenester, har Google også en pakke med skyer tjenester dreier seg om AI. Jeg vil avstå fra å liste opp alle tjenestene, siden de er ganske like Amazons tilbud. Her er et skjermbilde av hva som er tilgjengelig for utviklere å bygge hvis de er interessert:

Stort sett er det to måter du kan bruke Googles AI-tjenester på. Den første er å bruke en modell som allerede er trent av Google og bare begynne å bruke den i produktene dine. Den andre er den såkalte AutoML tjeneste, som automatiserer flere mellomstadier av maskinlæring, og hjelper for eksempel fullstack-utviklere med mindre ML-ekspertise til å bygge og trene modeller enkelt.

H2O

«2» i H2O er ment å være et subskript (likner den kjemiske formelen for vann, antar jeg), men det er plagsomt å skrive det ut. Jeg håper folkene bak H2O har ikke noe imot det!

H2O er en åpen kildekode-plattform for maskinlæring som brukes av store navn inkludert i Fortune 500.

Hovedideen er å få banebrytende AI-forskning til å nå allmennheten i stedet for å la den forbli i hendene på selskaper med dype lommer og innflytelse. Flere produkter tilbys under H2O-plattformen, for eksempel:

• H2O: Grunnplattformen for å utforske og bruke maskinlæring.
• Sparkling Water: Offisiell integrasjon med Apache Spark for store datasett.
• H2O4GPU: GPU-akselerert versjon av H2O-plattformen.

H2O lager også løsninger skreddersydd for bedriften, og disse inkluderer:

• Førerløs AI: Nei, førerløs AI har ikke noe med selvkjørende biler å gjøre! 🙂 Det er mer på linje med Googles AutoML-tilbud – de fleste av AI/ML-stadiene er automatiserte, noe som resulterer i verktøy som er enklere og raskere å utvikle med.
• Betalt støtte: Som en bedrift kan du ikke vente på å ta opp GitHub-problemer og håper de blir besvart snart. Hvis tid er penger, tilbyr H2O betalt støtte og rådgivning for store selskaper.

Petuum

Petuum utvikler Symfoni plattform, som er designet for å ikke få meg til å tro at AI fungerer. Med andre ord, hvis du er lei av koding og/eller ikke vil huske flere biblioteker og utdataformater, vil Symphony føles som en ferie i Alpene!

Selv om det ikke er noe «åpent» med Symphony-plattformen, er funksjonene verdt å sikle over:

• Dra og slipp UI
• Bygg enkelt interaktive datapipelines
• Tonnevis av standardiserte og modulære byggeklosser for å lage mer sofistikerte AI-applikasjoner
• Programmering og API-grensesnitt som føler at den visuelle måten ikke er kraftig nok
• Automatisert optimalisering med GPUer
• Distribuert, svært skalerbar plattform
• Dataaggregering av flere kilder

Det er mange flere funksjoner som virkelig vil få deg til å føle at adgangsbarrieren er redusert betraktelig. Sterkt anbefalt!

Polyakson

Den største utfordringen i dag innen Machine Learning og AI er ikke å finne gode biblioteker og algoritmer (eller til og med læringsressurser), men den dyktige ingeniøren som må brukes for å håndtere de enorme systemene og høye databelastninger som resulterer.

Selv for erfarne programvareingeniører kan det være for mye krevende. Hvis du føler det også, Polyakson er verdt en titt.

Polyaxon er ikke et bibliotek eller til og med et rammeverk; snarere er det en ende-til-ende-løsning for å administrere alle aspekter av maskinlæring, for eksempel:

• Datatilkoblinger og strømming
• Maskinvareakselerasjon
• Containerisering og orkestrering
• Planlegging, lagring og sikkerhet
• Pipelining, optimalisering, sporing, etc.
• Dashboarding, APIer, visualiseringer, etc.

Det er ganske mye bibliotek- og leverandøragnostisk, ettersom et stort antall populære (åpen og lukket kildekode) løsninger støttes.

Selvfølgelig må du fortsatt håndtere distribusjon og skalering på et visst nivå. Hvis du vil unnslippe selv det, tilbyr Polyaxon en PaaS-løsning som lar deg bruke infrastrukturen deres elastisk.

DataRobot

For å si det enkelt, DataRobot er en fokusert maskinlæringsløsning for bedriften. Det er visuelt hele veien og er designet for raskt å forstå dataene dine og bruke dem til konkret forretningsbruk.

Grensesnittet er intuitivt og elegant, slik at ikke-eksperter kan sette seg bak hjulene og generere meningsfull innsikt.

DataRobot har ikke en rekke funksjoner; i stedet fokuserer den på den tradisjonelle følelsen av data og gir bunnsolide muligheter innen:

• Automatisert maskinlæring
• Regresjon og klassifisering
• Tidsserier

Oftere enn ikke er dette alt du trenger for din bedrift. Det vil si at i de fleste tilfeller er DataRobot alt du trenger. 🙂

Neural Designer

Mens vi er på temaet brukervennlige, kraftige AI-plattformer, Neural Designer fortjener en spesiell omtale.

Det er ikke mye å si om NeuralDesigner, men det er mye å gjøre! Gitt at Neural Networks mer eller mindre har dominert den moderne Machine Learning-metodikken, er det fornuftig å jobbe med en plattform som utelukkende fokuserer på Neural Networks. Ingen mange valg, ingen distraksjoner – kvalitet fremfor kvantitet.

NeuralDesigner utmerker seg på mange måter:

• Ingen programmering nødvendig. I det hele tatt.
• Ingen komplisert grensesnittbygging kreves. Alt er lagt opp i fornuftige, lettforståelige, ordnede trinn.
• En samling av de mest avanserte og raffinerte algoritmene som er spesifikke for nevrale nettverk.
• CPU-parallellisering og GPU-akselerasjon for høy ytelse.

Verdt en se? Helt sikkert!

Prevision.io

Pervision.io er en plattform for å administrere alle aspekter av maskinlæring, rett fra behandling av data til distribusjon i stor skala.

PrediksjonIO

Hvis du er en utvikler, PrediksjonIO er et utrolig nyttig tilbud du bør se nærmere på. I kjernen er PredictionIO en maskinlæringsplattform som kan ta inn data fra appen din (nett, mobil eller annet) og raskt bygge spådommer.

Ikke la deg lure av navnet – PredictionIO er ikke bare for spådommer, men støtter hele spekteret av maskinlæring. Her er noen kule grunner til å elske det:

• Støtte for klassifisering, regresjon, anbefalinger, NLP og hva ikke.
• Bygg for å håndtere alvorlige arbeidsbelastninger i en Big Data-innstilling.
• Flere forhåndsbygde maler for de som har det travelt.
• Leveres sammen med Apache Spark, MLlib, HBase, Akka HTTP og Elasticsearch, og dekker alle mulige behov for en robust, moderne app.
• Kombinert datainntak fra flere kilder, enten det er i batch- eller sanntidsmodus.
• Utplassert som en typisk nettjeneste – enkel å konsumere og mate.

For de fleste nettprosjekter der ute, ser jeg ikke hvordan PredictionIO ikke gir mye mening. Gå videre og prøv det!

Konklusjon

Det er ingen mangel på AI og ML rammeverk eller plattform i dag; Jeg ble overveldet av valg da jeg begynte å undersøke for denne artikkelen. Som et resultat har jeg prøvd å begrense denne listen til de unike eller interessante. Hvis du tror jeg har gått glipp av noe viktig, vennligst gi meg beskjed.

Coursera fikk noen av de flotte maskinlæringskursene, så sjekk ut hvis du er interessert i å lære.

Så hvilken plattform er best? Dessverre er det ikke noe klart svar. En grunn til at de fleste av disse tjenestene er knyttet til en bestemt teknologistabel eller økosystem (for det meste å bygge det som kalles en inngjerdet hage). Den andre, viktigere, grunnen er at AI- og ML-teknologier nå har blitt kommodisert, og det er et kappløp om å tilby så mange funksjoner til så lav pris som mulig. Ingen leverandør har råd til å ikke tilby det de andre tilbyr, og ethvert nytt tilbud blir kopiert og servert av konkurrentene nesten over natten.

Som sådan kommer alt ned på hva stakken og målene dine er, hvor intuitiv du synes tjenesten er, hva din oppfatning av selskapene bak den er, og så videre.

Men uansett så sier det seg selv at AI endelig er tilgjengelig som en tjeneste, og det vil være ekstremt uklokt å ikke benytte seg av det. 🙂