Crea Aplicaciones De Inteligencia Artificial Sin Programar

Cada vez hay más librerías, plataformas y servicios en la nube para crear aplicaciones de Inteligencia Artificial (KI). Pero utilizarlas directamente para programar tu componente inteligente te obliga a aprender el lenguaje específico de cada plataforma y te liga a ella en el futuro. No es una buena thought con lo rápido que evoluciona el ecosistema de la IA con nuevas, y mejores, plataformas apareciendo a diario.
¿Como puedes crear una app que integre algún algoritmo de IA (lo que también se llama sensible apps ) incluso una solución completa de ciencia de datos (data science) sin tener que aprender a programar y depender de una plataforma concreta? Die Lösung besteht darin, die AI-Anwendung zu modellieren und es dann der Modellierungsplattform zu überlassen, die Anwendung zu generieren und auszuführen unter Verwendung, zum Beispiel, eines der bestehenden Deep-Learning-Frameworks.
Du solltest bereits wissen, dass man durch die Erhöhung des Abstraktionsniveaus, auf dem man sein Softwareproblem definiert, sofort eine Reihe von Vorteilen erzielt, wie technologische Unabhängigkeit. Dies ist auch der Trend, der in der Welt der künstlichen Intelligenz verfolgt wird. Es gibt immer mehr Werkzeuge zur Modellierung von AI, um es so allen Menschen zu erleichtern, auch wenn sie keine Programmierer sind, zugang zu dieser faszinierenden Technologie zu erhalten.
Vamos a intentar cubrir tanto las herramientas que permiten añadir componentes de inteligencia artificial predefinidos a una aplicación existente como herramientas específicas para preparar y entrenar modelos de aprendizaje automático (machine learning).
Herramientas de modelado visual de IA de la mano de las grandes tecnológicas
Las grandes del mundo tech” (Google, Amazon, Microsoft) han visto los entornos de modelado para IA como una manera de crecer su base de usuarios. Te venden la programación visible” como manera de crear tus propias aplicaciones de aprendizaje automático sin programar pero, evidentemente, luego esas aplicaciones sólo las puedes ejecutar en sus plataformas respectivas.
Azure Machine Learning Studio
Die Modellierungsumgebung für Machine Learning, die mir am meisten gefällt, ist das Azure Machine Learning Studio von Microsoft. Wie Microsoft sagt: es ist eine einfache Umgebung, die in deinem Browser ausgeführt werden kann und eine visuelle Drag-and-Drop-Umgebung bietet, in der es nicht nötig ist, irgendeine Art von Code zu schreiben. Du kannst ganz einfach definieren, welche deine Eingabedaten sind, sie verarbeiten (falls nötig), sie verwenden, um verschiedene Arten von Machine-Learning-Modellen zu trainieren und schließlich die Qualität der Ergebnisse zu bewerten.
Ein Modell zur Klassifikation mit Azure ML Studio erstellen
SPSS Modeler von IBM
Die IBM-Alternative zu Azure ML Studio ist der SPSS Modeler, Teil des Watson Studio Wie die Lösung von Microsoft, ermöglicht es dir, deine Wissenspipeline zu definieren, das Modell, das du erzeugen möchtest (Klassifikator, prädiktiv,…) und die Ergebnisse bewerten und visualisieren. Es wird mit einer sehr umfangreichen Bibliothek von Algorithmen und vordefinierten Modellen geliefert, um nicht bei null anfangen zu müssen.
Das, was Amazon am ähnlichsten bietet, wäre Amazon SageMaker, aber ich habe nicht sehen können, dass es irgendeine Art von visuellem Editor für KI enthält.
Modellierung für Data Science
In einem Problem der Wissenswissenschaft, Die Datensammlung und deren Manipulation/Vorbereitung ist genauso wichtig wie das maschinelle Lernen, das wir im Anschluss versuchen werden. Deshalb kommen visuelle Data-Science-Umgebungen mit einer großen Anzahl von Komponenten zur 'Datenmassage'.
Obwohl einige dieser Werkzeuge mit ihrer eigenen Ausführungsengine geliefert werden können, la mayoría se integran con frameworks de deep studying existentes como Keras Tensorflow
RapidMiner
RapidMiner incluye un herramienta de diseño visual de workflows para prototipar y validar modelos predictivos. Viene con un buen número de conexiones predefinidas con servicios Blog der künstlichen Intelligenz externos (muchas de ellas para la integración de datos, RapidMiner soporta más de 60 tipos de ficheros y formatos de datos, tanto para datos estructurados como no estructurados).
Orange
Orange es una herramienta de aprendizaje y visualización de modelos de ML. El análisis de los datos se realiza vía la conexión de widgets en un flujo de datos común. Cada widget se encarga de una más tareas de recuperación, preproceso, visualización evaluación de datos. Fast alles, was du dir vorstellen kannst, hat bereits sein Widget, aber du kannst dennoch deine eigenen erstellen.
Sichtbare Programmierung von Workflows für Datenanalysen mit Orange
Knime
Meine Lieblingsoption. Knime ist eine allgemeine Plattform für Datenanalyse, die für viele verschiedene Zwecke verwendet werden kann. Es gibt mehr als 2000 Arten von Knoten, die du dafür verwenden kannst. Die Knime-Erweiterungen für Knowledge Scientists und Knime für Deep Learning sind die, die uns für diese Einreichung am meisten interessieren. Por ejemplo, Die Deep-Learning-Erweiterung ermöglicht es den Nutzern, alle Arten von Operationen durchzuführen (von der Definition bis zur Ausführung) über neuronale Netze. Es kann mit der Erweiterung für Knowledge Scientists ergänzt werden, um den gesamten Teil der Datenerfassung und -verarbeitung stark zu bereichern. Außerdem, Knime es open source
Fijaros que aparte de estas herramientas específicas para knowledge science, cada vez veremos más y más extensiones que añadan un cierto nivel de funcionalidades de análisis de datos en entornos más generales. Un gran ejemplo seria Neuron , una extensión de information science para Visible Studio Code
Modelando redes neuronales
Si tu objetivo principal son las redes neuronales, DIANNE es una buena opción. En DIANNE, la redes neuronales se definen como un grafo dirigido que se puede crear visualmente con su editor on-line a partir de módulos predefinidos.
Si lo que quieres es más que nada aprender como funcionan las redes neuronales, entonces este Tensorflow playground es la solución very best. Permite jugar con redes neuronales (añadiendo / quitando neuronas y modificando sus parámetros) y aprender así sus conceptos básicos.
Visualización de los modelos de aprendizaje
Hay herramientas especializadas en visualizar los resultados del aprendizaje automático. Su objetivo es ayudarte a entender como funciona y como de bien responde el modelo de ML generado.
Herramientas de generación de código para crear software program con comportamiento inteligente
Las herramientas low-code clásicas” se están dando cuenta que sus usuarios quieren poder añadir componentes inteligentes a sus modelos software, de la misma forma que pueden diseñar el modelo de datos de comportamiento. Por ejemplo, möchten Chatbots problemlos in ihre Software integrieren, eine Gesichtserkennungskomponente hinzufügen, ohne programmieren lernen zu müssen mit Deep-Learning-Bibliotheken.
Als Antwort, fügen diese Codegenerierungstools bereits neue visuelle Module hinzu, die es ermöglichen, diese intelligenten Funktionen darzustellen und zu kapseln. Im Moment, wird nur die Integration von bereits vordefinierten Komponenten angeboten (zum Objekterkennen, Sentiment-Analyse,…) und angeboten von externen Plattformen, wobei die Integration im Wesentlichen darin besteht, deine Software mit diesem externen Dienst zu verbinden, mit wenigen Konfigurationsmöglichkeiten. Aber auf jeden Fall, ist es ein guter Anfang.
Genexus
Genexus ist diejenige, die die meisten und besten Optionen bietet, Como resume la tabla que os copio a continuación (Fijaros que para alguno de los módulos puedes elegir también sobre qué infraestructura ejecutarlo):
Google Cloud AI
✓
✓
Genexus ha sacado recientemente también una extensión para generat chatbots y de hecho estamos mirando como podría integrarse con Jarvis nuestro propio framework para el modelado y despliegue de chatbots multiplataforma.
Mendix
Mendix camina hacia una dirección parecida (e.j. ver como crear un chatbot con Mendix ) pero de momento el proceso parece requerir bastante más trabajo guide.
Lobe
Lobe (ahora comprada por Microsoft) es un nuevo competidor en la area de las herramientas ” low-code para AI ” Su objetivo es que te sea muy fácil entrenar modelos de deep studying que luego puedas integrar en una app. Todavía están en beta y con la compra por Microsoft es difícil saber como van a evolucionar, pero viendo los ejemplos visuales de deep studying, es fácil imagina un buen número de apps interesante para dispositivos móviles que se podrían crear con Lobe.
Reconocimiento de gestos con Lobe
Related Posts
January 24, 2017
COMMENT
Identify
E-Mail
Web site
Anúnciate aquí
Con más de 800 visitantes al día, somos la net líder en Ingeniería de Software program de habla hispana. Contacta para anunciarte antes de que sea demasiado tarde
Crea tus propios chatbots con xatkit
Únete a nuestro grupo de Ingenieros Software program
No te pierdas las últimas novedades sobre programación, Design, KI, metodologías y mucho más
Apúntate
Pin It on Pinterest