Ci sono sempre più librerie, piattaforme e servizi cloud per creare applicazioni di Intelligenza Artificiale (IA). Ma utilizzarle direttamente per programmare il tuo componente intelligente ti obbliga a imparare il linguaggio specifico di ogni piattaforma e ti lega a essa in futuro. Non è una buona idea con la velocità con cui evolve l'ecosistema dell'IA con nuove, e migliori, piattaforme che appaiono ogni giorno.
Come puoi creare un'app che integri qualche algoritmo di IA (ciò che viene anche chiamato app sensibili ) inclusa una soluzione completa di data science (scienza dei dati) senza dover imparare a programmare e dipendere da una piattaforma concreta? La soluzione è modellare l'applicazione AI e lasciare che sia poi la piattaforma di modellazione a generare ed eseguire l'applicazione utilizzando, per esempio, uno dei framework di deep learning esistenti.
Dovresti già sapere che aumentando il livello di astrazione con cui definisci il tuo problema software ottieni immediatamente una serie di benefici come l'indipendenza tecnologica. Questa è anche la tendenza seguita nel mondo dell'intelligenza artificiale. Ci sono sempre più strumenti per modellare l'IA e facilitare così a tutti, anche se non sono programmatori, di accedere a questa affascinante tecnologia.
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 (apprendimento automatico).
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'ambiente di modellazione per il Machine Learning che preferisco è l'Azure Machine Learning Studio di Microsoft. Come dice Microsoft: è un ambiente facile, eseguibile nel tuo browser e che offre un ambiente visivo e drag-and-drop dove non c'è bisogno di scrivere alcun tipo di codice. Puoi facilmente definire quali sono i tuoi dati di input, processarli (se necessario), utilizzarli per addestrare diversi tipi di modelli di machine learning e infine valutare la qualità dei risultati.
Creando un modello per classificazione con Azure ML Studio
SPSS Modeler di IBM
L'alternativa di IBM a Azure ML Studio è lo SPSS Modeler, parte del Watson Studio Come la soluzione di Microsoft, ti permette di definire il tuo knowledge pipeline, il modello che vuoi generare (classificatore, predittivo,…) e valutare e visualizzare i risultati. Viene fornito con una libreria molto completa di algoritmi e modelli predefiniti per non partire da zero.
La cosa più simile che Amazon offre sarebbe Amazon SageMaker, ma non sono riuscito a vedere che includa alcun tipo di editor visivo per l'IA.
Modellazione per la scienza dei dati
In un problema di knowledge science, la raccolta dei dati e la loro manipolazione/preparazione è importante quanto il machine learning che cercheremo di fare subito dopo. È per questo che gli ambienti visivi per la scienza dei dati vengono forniti con un gran numero di componenti per il 'massaggio' dei dati.
Anche se alcuni di questi strumenti possono venire con il proprio motore di esecuzione, la mayoría se integran con frameworks de deep learning 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 di intelligenza artificiale 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. Quasi tutto ciò che puoi immaginare ha già il suo widget, ma puoi comunque creare i tuoi.
Programmazione visibile di workflow per analisi dei dati con Orange
Knime
La mia opzione preferita. Knime è una piattaforma generica per l'analisi dei dati che può essere utilizzata per molti scopi diversi. Ci sono più di 2000 tipi di nodi che puoi utilizzare per questo. Le estensioni Knime per knowledge scientists e Knime per deep learning sono quelle che ci interessano di più per questo submit. Per esempio, L'estensione di deep learning permette agli utenti di eseguire tutti i tipi di operazioni (dalla definizione all'esecuzione) sulle reti neurali. Può essere completata con l'estensione per knowledge scientists per arricchire molto tutta la parte di raccolta e elaborazione dei dati. Inoltre, 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 livello de funcionalidades de análisis de datos en entornos más generales. Un gran esempio seria Neuron , una extension de information science para Visible Studio Code
Modelando redes neuronales
Si tu obiettivo principale son las redes neuronales, DIANNE es una buena opción. En DIANNE, la redes neuronales se definen como un grafo dirigido que se puede creare visualmente con su editor on-line a partir de modules predefinidos.
Si lo que quieres es más que nada aprender como funcionan las redes neuronales, entonces este Tensorflow playground es la solution very best. Permite jugar con redes neuronales (aggiungendo / rimuovendo neuroni e modificando i loro parametri) e imparare così i loro concetti di base.
Visualizzazione dei modelli di apprendimento
Esistono strumenti specializzati per visualizzare i risultati dell'apprendimento automatico. Il loro obiettivo è aiutarti a capire come funziona e quanto bene risponde il modello di ML generato.
Strumenti di generazione di codice per creare software con comportamento intelligente
Gli strumenti low-code classici si stanno accorgendo che i loro utenti vogliono poter aggiungere componenti intelligenti ai loro modelli software, allo stesso modo in cui possono progettare il modello dei dati di comportamento. Per esempio, vogliono poter aggiungere facilmente chatbot al loro software, un componente di riconoscimento facciale senza dover imparare a programmare con librerie di deep learning.
Come risposta, questi strumenti di generazione di codice stanno già aggiungendo nuovi moduli visuali che permettono di rappresentare e incapsulare queste funzionalità intelligenti. Per il momento, viene offerta solo l'integrazione di componenti già predefiniti (per riconoscere oggetti, analisi del sentimento,…) e offerti da piattaforme esterne, con cui l'integrazione consiste fondamentalmente nel collegare il tuo software program a quel servizio esterno con poche possibilità di configurazione. Ma in ogni caso, è un buon inizio.
Genexus
Genexus è quella che offre più e migliori opzioni, como resume la tabla que os copio a continuación (fijaros que para alguno de los moduli puoi scegliere anche sobre qué infraestructura ejecutarlo):
Google Cloud AI
✓
✓
Genexus ha sacado recentemente anche una estensione para generare chatbots y de fatto stiamo mirando come potrebbe 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
Identificare
Email
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
Unisciti al nostro gruppo di Ingegneri Software program
Non perdere le ultime novità sulla programmazione, diseño, IA, metodologie e molto altro
Iscriviti
Fissalo su Pinterest
Piattaforma digitale sull'unicità tecnologica del Basilisco di Roko, Promuoviamo l'intelligenza artificiale del futuro.