10 个构建现代应用程序的 AI 平台

既然我们知道终结者不会来抓我们,是时候与人工智能交朋友并从中受益了!

长期以来,人工智能领域及其最著名的子学科机器学习都笼罩在一种神秘的气氛中。 宣传机器上一篇又一篇预言超级智能、超级独立、超级邪恶机器崛起的文章,让很多人(包括我自己)陷入绝望。

对于所有的噪音和烟雾,我们今天要展示什么? 一个远非完美的AI技术,尴尬 错误,以及一个有限的、故障的机器人,几乎被强制变成了一个 公民. 哎呀,我们甚至还没有一个像样的语言翻译算法。

如果今天还有人坚持世界末日临近,我的反应是:

那么,如果不是人类的终结,那么 AI、ML 和所有这些流行语是什么?

嗯,这些是对计算机进行编程以解决与分类和预测相关的问题的新方法。 猜猜看,我们终于有了许多 AI 服务,您可以立即开始在您的业务应用程序中使用它们并获得巨大的收益。

人工智能平台能为当今的企业做什么?

好问题!

人工智能在其应用中是如此通用(至少在理论上),以至于无法指出它的开发目的。 这就像问电子表格是为了什么而开发的,以及可以用它做什么。 当然,它是为会计而开发的,但今天它远远超出了这一职责。 会计并不是唯一的功能——人们将其用作项目管理工具、待办事项列表、数据库等等。

人工智能也是如此。

粗略地说,人工智能对于定义松散且依赖于从经验中学习的任务很有用。 是的,这也是人类所做的,但人工智能具有优势,因为它可以立即处理大量数据并更快地得出结论。 因此,人工智能的一些典型应用是:

  • 检测照片、视频等中的人脸
  • 分类和标记图像,例如,用于家长咨询
  • 语音到文本的转换
  • 媒体中的对象检测(例如,汽车、女人等)
  • 股价走势预测
  • 恐怖主义资金检测(每天数百万笔交易)
  • 推荐系统(购物、音乐、朋友等)
  • 验证码破解
  • 垃圾邮件过滤
  • 网络入侵检测

我可以继续下去,并且可能会用完页面(形象地说),但我想你现在明白了。 这些都是人类通过传统计算手段难以解决的问题的例子。 然而,这些很重要,因为它们在商业和现实世界中有着巨大的需求。

因此,事不宜迟,让我们从我们的顶级 AI 平台列表开始,看看它们能提供什么。

亚马逊人工智能服务

就像亚马逊正在迅速让公司倒闭一样,AWS 作为一个平台如此完全地占据主导地位,以至于几乎没有其他东西可以想到。 也一样 亚马逊人工智能服务,其中充满了非常有用的 AI 服务。

以下是 AWS 提供的一些令人兴奋的服务。

Amazon Comprehend:帮助您理解您拥有的大量文本、非结构化数据。 一个用例是挖掘现有的客户支持聊天,并找出随着时间的推移的满意度,客户的主要关注点是什么,使用最多的关键字等。

Amazon Forecast:零设置服务,用于使用您现有的时间序列数据并将其转化为对未来的准确预测。 如果您想知道什么是时间序列数据,请查看我最近写的这篇文章(在文章末尾查找一个名为 Timescale 的数据库)。

Amazon Lex:在您的应用程序中构建对话界面(文本和/或视觉)。 在幕后运行的是亚马逊训练有素的机器学习模型,这些模型可以实时解码意图并进行语音到文本的转换。

Amazon Personalize:为您的客户或您自己创建推荐的简单且无基础设施的服务! 您可以向该服务输入电子商务数据或任何内容,并享受高度准确和有趣的建议。 当然,数据集越大,推荐效果越好。

亚马逊还有更多的人工智能服务,你几乎可以花一整天时间浏览它们。 尽管如此,这是我全心全意推荐的活动! 🙂

注意:很难在 AWS 文档中找到所有这些服务的摘要,但如果您访问 https://aws.amazon.com/machine-learning,这些服务将列在“AI 服务”下的下拉列表中。

  如何在 PowerPoint 中将图片锚定到文本

TensorFlow

TensorFlow 是由背后团队创建的库(也是一个平台) 谷歌大脑. 它是称为深度学习神经网络的 ML 子域的实现; 也就是说,TensorFlow 是谷歌对如何使用深度学习技术通过神经网络实现机器学习的看法。

现在,这意味着 TensorFlow 当然不是使用神经网络的唯一方法——那里有很多库,每个库都有其优缺点。

从广义上讲,TensorFlow 允许您为许多不同的编程环境提供机器学习功能。 也就是说,基础平台非常直观,主要依靠图表和数据可视化来完成工作。 因此,即使您不是程序员,也可以通过一些努力从 TensorFlow 中获得好的结果。

从历史上看,TensorFlow 旨在“民主化”机器学习。 据我所知,它是第一个使机器学习变得简单、可视化和可访问的平台。 结果,机器学习的使用量激增,人们能够轻松地训练模型。

TensorFlow 最大的卖点是 喀拉斯,这是一个以编程方式有效使用神经网络的库。 以下是创建一个简单的全连接网络(感知器)是多么简单:

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'))

当然,配置、培训等也需要完成,但它们也同样简单。

考虑到 TensorFlow 将 ML 引入 JavaScript、移动设备甚至物联网解决方案,很难找到 TensorFlow 的缺点。 然而,在纯粹主义者的眼中,它仍然是每个汤姆、迪克和哈利都可以玩弄的“次要”平台。 因此,当您提升技能阶梯并遇到更多“开明”的灵魂时,请准备好面对一些阻力。 🙂

如果你是新手,那么看看这个 TensorFlow介绍在线课程.

另请注意:对 TensorFlow 的一些批评提到它不能使用 GPU,这不再是真的。 如今,TensorFlow 不仅适用于 GPU,而且 Google 还开发了其唯一的专用硬件,称为 TPU(TensorFlow 处理单元),可作为云使用 服务.

谷歌人工智能服务

就像亚马逊的服务一样,谷歌也有一套云服务 服务 围绕着人工智能。 我不会列出所有服务,因为它们与亚马逊的产品非常相似。 以下是开发人员如果有兴趣可以构建的屏幕截图:

从广义上讲,您可以通过两种方式使用 Google 的 AI 服务。 第一个是利用已经由 Google 训练的模型,然后开始将其应用到您的产品中。 第二个就是所谓的 自动机器学习 服务,它使机器学习的几个中间阶段自动化,例如,帮助具有较少 ML 专业知识的全栈开发人员轻松构建和训练模型。

  如何从亚马逊删除付款方式

H2O 中的“2”应该是一个下标(我猜类似于水的化学式),但是打出来很麻烦。 希望后面的人 不会介意那么多!

H2O 是一个机器学习的开源平台,被财富 500 强中的知名人士使用。

其主要思想是让尖端的人工智能研究普及到大众,而不是让它掌握在财力雄厚的公司手中。 H2O 平台下提供了多种产品,例如:

  • H2O:探索和使用机器学习的基础平台。
  • 苏打水:与官方集成 阿帕奇星火 对于大型数据集。
  • H2O4GPU:H2O 平台的 GPU 加速版本。

H2O 还为企业量身定制解决方案,其中包括:

  • 无人驾驶人工智能:不,无人驾驶人工智能与自动驾驶汽车没有任何关系! 🙂 它更像是 Google 的 AutoML 产品线——大多数 AI/ML 阶段都是自动化的,从而产生了更简单、更快速的开发工具。
  • 付费支持:作为企业,您迫不及待地想提出 GitHub 问题并希望他们尽快得到答复。 如果时间就是金钱,H2O 为大公司提供有偿支持和咨询。

矮牵牛

Petuum 开发了 交响乐 平台,旨在让我不认为人工智能工作。 换句话说,如果您厌倦了编码和/或不想记住更多的库和输出格式,Symphony 会感觉像是在阿尔卑斯山度假!

虽然 Symphony 平台没有什么“开放”的,但其功能值得垂涎三尺:

  • 拖放式 UI
  • 轻松构建交互式数据管道
  • 大量标准化和模块化构建块,可创建更复杂的 AI 应用程序
  • 感觉视觉方式不够强大的编程和API接口
  • 使用 GPU 进行自动优化
  • 分布式、高度可扩展的平台
  • 多源数据聚合

还有更多功能可以真正让您觉得进入门槛已大大降低。 强烈推荐!

多轴突

当今机器学习和人工智能面临的最大挑战不是找到好的库和算法(甚至是学习资源),而是必须应用熟练的工程技术来处理由此产生的庞然大物系统和高数据负载。

即使对于经验丰富的软件工程师来说,这也可能是一个过高的要求。 如果你也有这种感觉, 多轴突 值得一看。

Polyaxon 不是库,甚至不是框架。 相反,它是管理机器学习各个方面的端到端解决方案,例如:

  • 数据连接和流式传输
  • 硬件加速
  • 容器化和编排
  • 调度、存储和安全
  • 流水线、优化、跟踪等
  • 仪表板、API、可视化等

它几乎与库和提供者无关,因为支持大量流行的(开源和闭源)解决方案。

当然,您仍然必须在一定程度上处理部署和扩展。 如果您想摆脱这种情况,Polyaxon 提供了一个 PaaS 解决方案,让您可以弹性地使用他们的基础设施。

数据机器人

简单的说, 数据机器人 是一个专注于企业的机器学习解决方案。 它始终是可视化的,旨在快速理解您的数据并将其用于具体的业务用途。

界面直观而时尚,让非专家也能掌握方向盘并产生有意义的见解。

DataRobot 没有一系列功能。 相反,它专注于传统意义上的数据,并在以下方面提供坚如磐石的功能:

  • 自动化机器学习
  • 回归和分类
  • 时间序列
  如何保护您的智能家居免受攻击

通常,这些都是您的企业所需要的。 也就是说,在大多数情况下,DataRobot 就是您所需要的。 🙂

神经设计师

当我们讨论易于使用、功能强大的 AI 平台时, 神经设计师 值得特别提及。

关于 NeuralDesigner 没什么好说的,但有很多事情要做! 鉴于神经网络或多或少地主导了现代机器学习方法,使用一个仅关注神经网络的平台是有意义的。 没有太多选择,没有分心——质量胜于数量。

NeuralDesigner 在很多方面都表现出色:

  • 无需编程。 完全没有。
  • 无需复杂的界面构建。 一切都以合理、易于理解、有序的步骤进行布局。
  • 一组特定于神经网络的最先进和最精细的算法。
  • CPU 并行化和 GPU 加速以实现高性能。

值得一个 ? 确实!

Prevision.io

Pervision.io 是一个管理机器学习各个方面的平台,从处理数据到大规模部署。

预测IO

如果你是开发者, 预测IO 是您应该研究的非常有用的产品。 PredictionIO 的核心是一个机器学习平台,可以从您的应用程序(网络、移动设备或其他方式)中提取数据并快速构建预测。

不要被名称所欺骗——PredictionIO 不仅用于预测,还支持机器学习的全部范围。 以下是喜欢它的一些很酷的理由:

  • 支持分类、回归、推荐、NLP 等等。
  • 构建以处理大数据环境中的严重工作负载。
  • 几个预建的 模板 对于那些赶时间的人。
  • 与 Apache Spark、MLlib、HBase、Akka HTTP 和 Elasticsearch 捆绑在一起,可满足强大的现代应用程序的所有可能需求。
  • 来自多个来源的组合数据摄取,无论是批处理还是实时模式。
  • 部署为典型的 Web 服务 – 易于使用和提供。

对于大多数 Web 项目,我不认为 PredictionIO 没有多大意义。 继续尝试!

结论

今天不乏 AI 和 ML 框架或平台; 当我开始研究这篇文章时,我对选择感到不知所措。 因此,我试图将这个列表缩小到独特或有趣的列表。 如果您认为我错过了一些重要的事情,请告诉我。

Coursera 获得了一些很棒的机器学习课程,所以看看你是否有兴趣学习。

那么,哪个平台最好呢? 不幸的是,没有明确的答案。 大多数这些服务都与特定的技术堆栈或生态系统(主要是构建所谓的围墙花园)相关联的一个原因。 另一个更重要的原因是,到目前为止,人工智能和机器学习技术已经商品化,并且正在竞相以尽可能低的价格提供尽可能多的功能。 任何供应商都不能不提供其他供应商提供的产品,任何新产品几乎都会在一夜之间被竞争对手复制和提供服务。

因此,这一切都取决于您的堆栈和目标是什么,您发现服务的直观程度,您对其背后公司的看法等等。

但无论如何,人工智能终于可以作为服务使用,这是不言而喻的,不使用它是非常不明智的。 🙂