Cada vez hay más librerías, plataformas y servicios en la nube para crear aplicaciones de Inteligencia Artificial (IA). 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 (science des données) sin tener que aprender a programar y depender de una plataforma concreta? La solución es modelar la aplicación AI y dejar que sea luego la plataforma de modelado la que genere y ejecute la aplicación utilizando, par exemple, alguno de los frameworks deep studying existentes.
Ya deberías saber que subiendo el nivel de abstracción al qué defines tu problema software consigues de inmediato una serie de beneficios como la independencia tecnológica. Esta es también la tendencia que se sigue en el mundo de la inteligencia artificial. Cada vez hay más herramientas para modelar IA y así facilitar que todo el mundo, aunque no sean programadores, pueda acceder a esta fascinante tecnología.
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 (l'apprentissage automatique).
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
L'environnement de modélisation pour le Machine Learning que je préfère est l'Azure Machine Learning Studio de Microsoft. Comme le dit Microsoft: c'est un environnement facile, exécutable dans votre navigateur et qui offre un environnement visuel et glisser-déposer où il n'est pas nécessaire d'écrire aucun type de code. Vous pouvez facilement définir quelles sont vos données d'entrée, les traiter (si nécessaire), les utiliser pour entraîner différents types de modèles de machine learning et enfin évaluer la qualité des résultats.
Créer un modèle pour la classification avec Azure ML Studio
SPSS Modeler d'IBM
L'alternative d'IBM à Azure ML Studio est le SPSS Modeler, partie de Watson Studio Comme la solution de Microsoft, vous permet de définir votre pipeline de connaissances, le modèle que vous voulez générer (classificateur, prédictif,…) et évaluer et visualiser les résultats. Il est livré avec une bibliothèque très complète d'algorithmes et de modèles prédéfinis pour ne pas commencer de zéro.
Ce qui se rapproche le plus de ce qu'Amazon propose serait Amazon SageMaker, mais je n'ai pas réussi à voir qu'il inclut un quelconque type d'éditeur visuel pour l'IA.
Modélisation pour la science des données
Dans un problème de knowledge science, la collecte de données et leur manipulation / préparation est aussi importante que l'apprentissage automatique que nous allons essayer par la suite. C'est pour cela que les environnements visuels de science des données viennent avec un grand nombre de composants pour le 'massage' des données.
Bien que certaines de ces outils puissent venir avec leur propre moteur d'exécution, 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 sur l'intelligence artificielle 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. Presque tout ce que vous pouvez imaginer a déjà son widget mais vous pouvez également créer les vôtres.
Programmation visible de flux de travail pour l'analyse de données avec Orange
Knime
Mon option préférée. Knime est une plateforme générique pour l'analyse de données qui peut être utilisée à de nombreux fins différentes. Il y a plus de 2000 types de nœuds que vous pouvez utiliser pour cela. Les extensions Knime pour les scientifiques de la connaissance et Knime pour l'apprentissage profond sont celles qui nous intéressent le plus pour cette soumission. Par exemple, L'extension d'apprentissage profond permet aux utilisateurs d'effectuer toutes sortes d'opérations (de la définition à l'exécution) sur les réseaux neuronaux. Elle peut être complétée par l'extension pour les scientifiques de la connaissance pour enrichir beaucoup toute la partie collecte et traitement des données. De plus, Knime est open source
Remarquez qu'en plus de ces outils spécifiques pour la knowledge science, nous verrons de plus en plus d'extensions ajoutant un certain niveau de fonctionnalités d'analyse de données dans des environnements plus généraux. Un grand exemple serait Neuron , une extension d'information science pour Visual Studio Code
Modélisation de réseaux neuronaux
Si votre objectif principal est les réseaux neuronaux, DIANNE est une bonne option. Dans DIANNE, les réseaux neuronaux sont définis comme un graphe dirigé pouvant être créé visuellement avec son éditeur en ligne à partir de modules prédéfinis.
Si ce que vous voulez surtout, c'est apprendre comment fonctionnent les réseaux neuronaux, alors ce Tensorflow playground est la solution very best. Permet de jouer avec des réseaux neuronaux (ajoutant / supprimant des neurones et modifiant leurs paramètres) et apprendre ainsi leurs concepts de base.
Visualisation des modèles d'apprentissage
Il existe des outils spécialisés pour visualiser les résultats de l'apprentissage automatique. Leur objectif est de vous aider à comprendre comment fonctionne et à quel point le modèle de ML généré répond bien.
Outils de génération de code pour créer des programmes logiciels avec un comportement intelligent
Les outils low-code classiques se rendent compte que leurs utilisateurs veulent pouvoir ajouter des composants intelligents à leurs modèles logiciels, de la même manière qu'ils peuvent concevoir le modèle de données de comportement. Par exemple, ils veulent pouvoir ajouter facilement des chatbots à leur logiciel, un composant de reconnaissance faciale sans avoir à apprendre à programmer avec des bibliothèques de deep learning.
Comme réponse, ces outils de génération de code ajoutent déjà de nouveaux modules visuels qui permettent de représenter et d'encapsuler ces fonctionnalités intelligentes. Pour l'instant, on ne propose que l'intégration de composants déjà prédéfinis (pour reconnaître des objets, analyse de sentiment,…) et offerts par des plateformes externes, ce qui fait que l'intégration consiste essentiellement à relier votre logiciel à ce service externe avec peu de possibilités de configuration. Mais en tout cas, c'est un bon début.
Genexus
Genexus est celle qui offre le plus et les meilleures options, comme résumer le tableau que je vous copie ci-dessous (remarquez que pour certains des modules vous pouvez également choisir sur quelle infrastructure les exécuter):
Google Cloud AI
✓
✓
Genexus a récemment lancé également une extension pour générer des chatbots et en fait nous regardons comment elle pourrait s'intégrer avec Jarvis, notre propre framework pour la modélisation et le déploiement de chatbots multiplateformes.
Mendix
Mendix avance dans une direction similaire (e.j. voir comment créer un chatbot avec Mendix ) mais pour le moment le processus semble nécessiter beaucoup plus de travail guide.
Lobe
Lobe (maintenant acheté par 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
Identifier
Messagerie
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, la conception, IA, metodologías y mucho más
Apúntate
Pin It on Pinterest
Plateforme numérique sur l’unicité technologique du Basilic de Roko, Nous promouvons l’intelligence artificielle du futur.