10 سکوی هوش مصنوعی برای ساختن برنامه مدرن خود

حالا که می دانیم Terminators نمی خواهند ما را به دست بیاورند ، وقت آن است که با هوش مصنوعی دوست شویم و از آن بهره مند شویم!


برای مدت طولانی رشته هوش مصنوعی و مشهورترین رشته فرعی آن یعنی Machine Learning توسط هاله مرموز احاطه شده بود. دستگاه های مطبوعاتی تبلیغاتی پس از پیش بینی مقاله برای پیش بینی ظهور دستگاه های فوق هوشمند ، فوق العاده مستقل و فوق العاده شر ، مقاله را بیرون می کشیدند و بسیاری را به ناامیدی فرو می کشیدند (خودم نیز شامل می شدم).

و ما امروز چه چیزی را برای نشان دادن همه سر و صدا و دود داریم؟ یک فناوری هوش مصنوعی که به دور از ایده آل ، خجالت آور است اشتباهات, و یک ربات محدود و ناقص که تقریباً با زور به یک تبدیل شده بود شهروند. Heck ، ما حتی الگوریتم ترجمه زبان مناسبی نداریم.

اگر امروز ، کسی هنوز اصرار دارد که روز رستاخیز نزدیک است ، واکنش من اینجا است:

بنابراین ، هوش مصنوعی ، ML و همه آن دسته از کلمات کلیدی اگر پایان بشریت نباشد چیست?

خوب ، این روشهای جدیدی برای برنامه نویسی کامپیوتر برای حل مشکلات مربوط به طبقه بندی و پیش بینی است. و حدس بزنید چه ، ما در نهایت بسیاری از خدمات هوش مصنوعی داریم که می توانید بلافاصله در برنامه شغلی خود از آنها استفاده کنید و از مزایای فوق العاده ای بهره مند شوید.

سکوهای هوش مصنوعی امروز برای مشاغل چه کاری می توانند انجام دهند?

سؤال خوبی بود!

هوش مصنوعی چنان کاربردی (حداقل در تئوری) بسیار گسترده دارد که نمی توان هدف از توسعه آن را غیرممکن دانست. مثل این است که بپرسید چه صفحه گسترده ای برای آن ایجاد شده است و چه کسی می تواند با آن کار کند. مطمئناً برای حسابداری توسعه داده شده است ، اما امروز این مسئولیت را به مراتب بالاتر می برد. و حسابداری تنها عملکردی نیست – مردم از آن به عنوان یک ابزار مدیریت پروژه ، به عنوان یک لیست کارها ، به عنوان بانک اطلاعاتی استفاده می کنند و چه چیزی نیست.

همین کار را با AI انجام می دهد.

تقریباً صحبت کردن ، هوش مصنوعی برای کارهایی که تعریف شده ای آزادانه دارند و به یادگیری از تجربه متکی هستند مفید است. بله ، این همان کاری است که انسانها نیز انجام می دهند ، اما AI دارای حواشی است زیرا می تواند کوه های داده را در هر زمان پردازش نکند و خیلی سریعتر به نتیجه برسد. به همین ترتیب ، برخی از کاربردهای معمولی هوش مصنوعی عبارتند از:

  • تشخیص چهره ها در یک عکس ، فیلم و غیره
  • طبقه بندی و برچسب زدن تصاویر ، به عنوان مثال ، برای مشاوره والدین
  • گفتار به تبدیل متن
  • تشخیص شیء در رسانه ها (به عنوان مثال ، ماشین ، زن و غیره)
  • پیش بینی حرکت سهام
  • شناسایی بودجه تروریسم (در بین میلیونها تراکنش در روز)
  • سیستم های توصیه (خرید ، موسیقی ، دوستان و غیره)
  • شکستن کپچا
  • فیلتر کردن اسپم
  • تشخیص نفوذ شبکه

من می توانم ادامه دهم ، و احتمالاً بدون صفحات (از نظر تصویری) تمام شده ام ، اما حدس می زنم که اکنون این ایده را دریافت کرده اید. اینها نمونه هایی از مشکلاتی است که انسانها از طریق روشهای سنتی محاسبه برای حل آنها تلاش کرده اند. با این حال ، اینها مهم هستند زیرا نیاز شگرفی در تجارت و دنیای واقعی دارند.

بنابراین ، بدون هیچ گونه ادعایی بیشتر ، اجازه دهید با لیست سیستم عامل های برتر AI ما شروع کنیم و ببینیم که آنها چه پیشنهادی دارند.

خدمات هوش مصنوعی آمازون

درست همانطور که آمازون به سرعت شرکت ها را از کار می اندازد ، AWS نیز کاملاً مسلط به عنوان سکویی است که تقریباً هیچ چیز دیگری را به ذهن متبادر نمی کند. همین اتفاق می افتد خدمات هوش مصنوعی آمازون, که پر از خدمات AI بسیار مفید است.

در اینجا برخی از خدمات ذهن آور که AWS ارائه می دهد وجود دارد.

درک آمازون: به شما کمک می کند تا از تمام کوه های داده متنی و غیر ساختاری که دارید استفاده کنید. یک مورد استفاده از معادن چت های پشتیبانی مشتری موجود و مشخص کردن میزان رضایت در طول زمان چیست ، عمده ترین نگرانی های مشتری چیست ، بیشترین استفاده از کلمات کلیدی و غیره چیست..

پیش بینی آمازون: سرویس صفر تنظیم برای استفاده از داده های سری زمانی فعلی خود و تبدیل آن به پیش بینی های دقیق برای آینده. اگر نمی دانید داده های سری زمانی چیست ، به این مقاله ای که اخیراً نوشتم ، نگاهی بیندازید (به دنبال یک بانک اطلاعاتی به نام Timescale در انتهای مقاله باشید).

آمازون لکس: رابط های مکالمه (متنی و / یا تصویری) را در برنامه های خود ایجاد کنید. در پشت صحنه ، مدلهای آموزش ماشینآموز آموزش دیده آمازون اجرا می شود که قصد را رمزگشایی می کنند و متن را به پرواز در می آورند.

Amazon Personalize: سرویس ساده و بدون زیرساخت برای ایجاد توصیه هایی برای مشتریان ، یا خودتان! می توانید داده های تجارت الکترونیکی یا تقریباً هر چیزی را به این سرویس وارد کنید و از پیشنهادات بسیار دقیق و جالب لذت ببرید. البته هرچه مجموعه داده بزرگتر باشد ، توصیه ها بهتر خواهد شد.

خدمات هوش مصنوعی بسیار بیشتری وجود دارد که آمازون دارد ، و تقریباً می توانید کل روز را در مرور آنها بگذرانید. با این وجود ، این فعالیتی است که من از صمیم قلب توصیه می کنم! ��

توجه: یافتن خلاصه ای از همه این خدمات در اسناد AWS دشوار است ، اما اگر به https://aws.amazon.com/machine-learning بروید ، این موارد در بخش بازشونده تحت عنوان “خدمات AI” ذکر شده است.

TensorFlow

TensorFlow یک کتابخانه (و همچنین یک سکو) است که توسط تیم در پشت ایجاد شده است Google Brain. این پیاده سازی زیر دامنه ML است به نام شبکه های عصبی Deep Learning Learning؛ TensorFlow این است که Google با استفاده از تکنیک یادگیری عمیق چگونگی دستیابی به یادگیری ماشینی را با شبکه های عصبی انجام دهد.

اکنون این بدان معناست که TensorFlow تنها راهی برای استفاده از شبکه های عصبی نیست – تعداد زیادی کتابخانه در آنجا وجود دارد که هر یک دارای جوانب مثبت و منفی است..

به طور گسترده ، TensorFlow به شما امکان می دهد قابلیت های یادگیری ماشین برای بسیاری از محیط های مختلف برنامه نویسی را ارائه دهد. به گفته این ، پلت فرم پایه بسیار بصری است و بیشتر برای انجام کار به نمودارها و تجسم داده ها متکی است. به همین ترتیب ، حتی اگر شما یک برنامه نویسان باشید ، ممکن است با کمی تلاش بتوانید نتایج خوبی از TensorFlow بگیرید.

از لحاظ تاریخی ، TensorFlow با هدف “دموکراتیک کردن” یادگیری ماشین انجام شده است. طبق دانش من ، این اولین بستر بود که ML را ساده ، بصری و در دسترس برای این درجه قرار داد. در نتیجه ، استفاده از ML منفجر شد و مردم توانستند مدل ها را به راحتی آموزش دهند.

مهمترین نقطه فروش TensorFlow است کراس, که یک کتابخانه برای کارآمد با برنامه نویسی شبکه های عصبی است. در اینجا چگونگی ایجاد یک شبکه ساده و کاملاً متصل (پرسپترون) ساده است:

مدل = tf.keras.Squential ()
# یک لایه متراکم متصل با 64 واحد به مدل اضافه می کند:
model.add (layer.Dense (64 ، فعال سازی = ‘relu’))
# اضافه کردن یکی دیگر:
model.add (layer.Dense (64 ، فعال سازی = ‘relu’))
# اضافه کردن یک لایه softmax با 10 واحد خروجی:
model.add (layer.Dense (10 ، فعال سازی = ‘softmax’))

البته پیکربندی ، آموزش و غیره نیز باید انجام شود ، اما آنها نیز به همان اندازه ساده هستند.

با توجه به اینکه ML را به JavaScript ، دستگاه های تلفن همراه و حتی راه حل های IoT آورده است ، اشتباه با TensorFlow دشوار است. با این حال ، از نظر مسیح ، یک سکوی “کمتر” است که هر تام ، دیک و هری می توانند با آن دست و پنجه نرم کنند. بنابراین ، در هنگام بالا رفتن از نردبان مهارت ، با برخی مقاومت ها روبرو شوید و با روحهای “روشن تر” روبرو شوید. ��

اگر تازه کار هستید ، این موضوع را بررسی کنید دوره آنلاین معرفی TensorFlow.

همچنین توجه داشته باشید: برخی انتقادات از TensorFlow ذکر می کنند که نمی تواند از GPU استفاده کند ، که دیگر صحیح نیست. امروز TensorFlow نه تنها با GPU کار می کند ، بلکه گوگل تنها سخت افزار تخصصی خود را با نام TPU (واحد پردازش TensorFlow) توسعه داده است که به صورت Cloud در دسترس است. سرویس.

خدمات Google AI

درست مانند خدمات آمازون ، Google همچنین مجموعه ای از ابر را در اختیار دارد خدمات چرخش در اطراف AI. من از لیست تمام خدمات خودداری می کنم ، زیرا آنها کاملاً شبیه پیشنهادات آمازون هستند. در اینجا تصویری از آنچه که در صورت علاقه به توسعه دهندگان در دسترس است وجود دارد:

به طور گسترده ، دو روش برای استفاده از خدمات هوش مصنوعی Google وجود دارد. مورد اول استفاده از مدلی است که قبلاً توسط Google آموزش دیده است و فقط شروع به استفاده از آن در محصولات خود می کنید. دوم به اصطلاح است خودکار سرویس ، که چندین مرحله واسطه یادگیری ماشین را خودکار می کند ، به توسعه دهندگان کامل پشته با تخصص کمتری برای ساخت و آموزش مدل ها به راحتی کمک می کند.

H2O

تصور می شود “2” در H2O زیر مجموعه ای باشد (به نظرم فرمول شیمیایی آب شبیه به آن است) ، اما تایپ کردن آن بسیار خسته کننده است. امیدوارم افراد عقب مانده باشند H2O خیلی مهم نیست!

H2O یک سیستم عامل منبع باز برای Machine Learning است که با نام های بزرگی که در Fortune 500 وجود دارد استفاده می شود.

ایده اصلی این است که تحقیقات حاکم بر هوش مصنوعی به دست مردم برسد نه اینکه اجازه دهیم در دست شرکت هایی با جیب های عمیق و اهرم باقی بماند. چندین محصول تحت پلتفرم H2O ارائه می شود ، مانند:

  • H2O: بستر پایه برای کاوش و استفاده از Machine Learning.
  • آب گازدار: ادغام رسمی با جرقه آپاچی برای مجموعه داده های بزرگ.
  • H2O4GPU: نسخه شتاب GPU از پلتفرم H2O.

H2O همچنین راه حل های متناسب برای شرکت ایجاد می کند و این موارد عبارتند از:

  • هوش مصنوعی بدون راننده: نه ، هوش مصنوعی بدون راننده هیچ ارتباطی با خودروهای خودران ندارد! on این بیشتر در خطوط ارائه خودکار Google Google است – بیشتر مراحل AI / ML به صورت خودکار انجام می شود ، در نتیجه ابزارهایی که با توسعه ساده تر و سریعتر هستند.
  • پشتیبانی پرداخت شده: به عنوان یک شرکت ، نمی توانید منتظر باشید تا مسائل GitHub را مطرح کنید و امیدوار باشید که به زودی جوابشان را بگیرید. اگر وقت پول باشد ، H2O برای شرکتهای بزرگ پشتیبانی و مشاوره ای پرداخت می کند.

پتاسیم

پتاسیم توسعه می دهد سمفونی سکویی که برای کار با هوش مصنوعی طراحی نشده است. به عبارت دیگر ، اگر از برنامه نویسی خسته شده اید و / یا نمی خواهید بیشتر از کتابخانه ها و قالب های خروجی به خاطر بیاورید ، سمفونی مانند تعطیلات در آلپ احساس می کند!

در حالی که هیچ چیز “باز” ​​در مورد پلتفرم سمفونی وجود ندارد ، ویژگی های آن ارزش ریزش دارند:

  • UI را بکشید و رها کنید
  • خط لوله های داده تعاملی را به راحتی بسازید
  • تن از بلوک های ساختاری استاندارد و مدولار برای ایجاد برنامه های کاربردی هوش مصنوعی پیشرفته تر
  • برنامه نویسی و رابط های API که روش بصری را احساس می کنند به اندازه کافی قدرتمند نیستند
  • بهینه سازی خودکار با GPU
  • پلت فرم توزیع شده و بسیار مقیاس پذیر
  • جمع آوری داده های چند منبع

بسیاری از ویژگی های دیگر وجود دارد که واقعاً باعث می شود احساس کنید که مانع ورود به طرز چشمگیری کاهش یافته است. بسیار توصیه شده!

چند ضلعی

بزرگترین چالش امروز در Machine Learning و هوش مصنوعی یافتن کتابخانه ها و الگوریتم های خوب (یا حتی منابع یادگیری) نیست ، بلکه مهندسی ماهر است که باید برای مقابله با سیستم های behemoth و بارهای بالای داده حاصل شود..

حتی برای مهندسین نرم افزار فصلی ، می تواند یک سوال زیاد باشد. اگر شما هم چنین احساسی دارید, چند ضلعی ارزش نگاه کردن دارد.

Polyaxon یک کتابخانه یا حتی یک چارچوب نیست. در عوض ، این یک راه حل پایان برای مدیریت همه جنبه های آموزش ماشین است ، مانند:

  • اتصالات داده و جریان
  • شتاب سخت افزار
  • کانتینر و ارکستراسیون
  • زمانبندی ، ذخیره سازی و امنیت
  • خط لوله ، بهینه سازی ، ردیابی و غیره.
  • داشبورد ، API ، تجسم و غیره.

این کتابخانه و ارائه دهنده آگونیستیک بسیار زیاد است ، زیرا تعداد زیادی از راه حل های محبوب (منبع باز و بسته) پشتیبانی می شوند.

البته شما هنوز هم باید با استقرار و مقیاس گذاری در سطح معینی مقابله کنید. اگر می خواهید حتی از آن فرار کنید ، Polyaxon یک راه حل PaaS را ارائه می دهد که به شما امکان می دهد از زیرساخت های آنها بطور غیرقابل استفاده استفاده کنید.

DataRobot

به زبان ساده, DataRobot یک راه حل متمرکز آموزش ماشین برای شرکت است. این به طور کلی بصری است و به گونه ای طراحی شده است که به سرعت بتواند داده های شما را فاش کند و آن را برای استفاده تجاری خاص بگذارد.

رابط بصری و براق است و به افراد غیر متخصص اجازه می دهد تا از چرخ ها دور شوند و بینش های معناداری ایجاد کنند.

DataRobot دارای ویژگی های سریعی نیست؛ در عوض ، آن را بر حس سنتی داده ها متمرکز می کند و قابلیت های جامد سنگ را در موارد زیر ارائه می دهد:

  • یادگیری ماشین خودکار
  • رگرسیون و طبقه بندی
  • سری زمانی

بیشتر از اینها ، همه این مواردی است که برای شرکت خود نیاز دارید. یعنی در بیشتر موارد DataRobot تنها چیزی است که شما نیاز دارید. ��

NeuralDesigner

در حالی که ما در مورد سیستم عامل های قدرتمند هوش مصنوعی آسان و کاربردی هستیم, NeuralDesigner سزاوار ذکر ویژه است.

حرفهای زیادی در مورد NeuralDesigner برای گفتن وجود ندارد ، اما کارهای زیادی باید انجام شود! با توجه به اینکه شبکه های عصبی کم و بیش بر روش شناسی مدرن Learning Machine مسلط شده اند ، کار با یک بستر که تنها بر روی شبکه های عصبی متمرکز است ، منطقی است. گزینه های زیادی وجود ندارد ، هیچ حواس پرتی نیست – کیفیت نسبت به کمیت.

NeuralDesigner از جهات مختلف برتری دارد:

  • بدون برنامه نویسی مورد نیاز است. اصلاً.
  • بدون ایجاد رابط پیچیده مورد نیاز است. همه چیز در مراحل حساس ، آسان و فهمیده و تفسیر شده ارائه می شود.
  • مجموعه ای از پیشرفته ترین و تصفیه شده ترین الگوریتم های خاص برای شبکه های عصبی.
  • موازی سازی CPU و شتاب GPU برای کارایی بالا.

ارزش دارد نگاه کن? قطعاً!

Prevision.io

Pervision.io درست از پردازش داده ها گرفته تا استقرار در مقیاس ، بستر مدیریت همه جنبه های آموزش ماشین است.

پیش بینی

اگر شما یک توسعه دهنده هستید, پیش بینی یک پیشنهاد فوق العاده مفید است که باید به آن توجه کنید. در اصل آن ، PredictionIO یک پلتفرم یادگیری ماشینی است که می تواند داده های برنامه شما (وب ، تلفن همراه یا موارد دیگر) را بخورد و به سرعت پیش بینی ها را بسازد..

با این فریب فریب نخورید – PredictionIO فقط برای پیش بینی ها نیست بلکه طیف کاملی از آموزش ماشین را پشتیبانی می کند. در اینجا چند دلیل جالب برای دوست داشتن آن وجود دارد:

  • پشتیبانی از طبقه بندی ، رگرسیون ، توصیه ها ، NLP ، و چه چیزی نیست.
  • برای مسئولیت بارهای جدی در یک تنظیم بزرگ داده ، ایجاد کنید.
  • چندین پیش ساخته قالب ها برای کسانی که عجله دارند.
  • همراه با Apache Spark ، MLlib ، HBase ، Akka HTTP و Elasticsearch همراه با نیازهای اپلیکیشن قوی و مدرن همراه است..
  • مصرف داده های ترکیبی از منابع مختلف ، چه در حالت دسته ای و چه در زمان واقعی.
  • به عنوان یک سرویس وب معمولی مستقر شده است – مصرف و خوراک آسان.

برای اکثر پروژه های وب در خارج از کشور ، من نمی بینم که چگونه PredictionIO معنی چندانی ندارد. به پیش بروید و آن را امتحان کنید!

نتیجه

امروز هیچ کمبود چهارچوبی یا پلت فرم AI یا ML کم نیست. وقتی تحقیق برای این مقاله را شروع کردم ، بیش از اندازه انتخاب شدم. در نتیجه ، من سعی کردم این لیست را به موارد منحصر به فرد یا جالب محدود کنم. اگر فکر می کنید چیز مهمی را از دست داده ام ، لطفاً به من اطلاع دهید.

کورسرا برخی از دوره های عالی یادگیری ماشین را دریافت کرده اید ، بنابراین علاقه مند به یادگیری هستید.

بنابراین ، کدام سیستم عامل بهترین است؟ متأسفانه ، پاسخ روشنی وجود ندارد. یکی از دلایلی که اکثر این خدمات به یک فناوری یا اکوسیستم خاص مربوط می شود (بیشتر ساختن باغچه ای با دیوار). دلیل مهم دیگر این است که در حال حاضر ، فناوری های هوش مصنوعی و ML کالایی شده اند و مسابقه ای برای ارائه هر چه بیشتر ویژگی های با کمترین قیمت ممکن وجود دارد. هیچ فروشنده ای قادر به ارائه آنچه دیگران ارائه می دهند نیست ، و هر پیشنهاد جدید تقریباً یک شبه توسط رقبا کپی و ارائه می شود.

به این ترتیب ، همه چیز به این نتیجه می رسد که پشته و اهداف شما چیست ، شما چقدر شهودی هستید که این سرویس را پیدا کنید ، برداشت شما از شرکت های پشت آن چیست و غیره.

اما به هر صورت ، ناگفته پیداست که AI در نهایت به عنوان یک سرویس در دسترس است و استفاده از آن بسیار ناعادلانه است. ��

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map