Начните использовать AI/ML как эксперт. Следуйте этим простым рекомендациям, чтобы сделать выбор, который будет работать на вас сейчас и в будущем.

  1. Быстрый рост ИИ
  2. Потребление ИИ готово к взлету
  3. Сообщество переворачивает угол потребления AI/ML
  4. 5 вещей, на которые стоит обратить внимание, думая о потреблении ИИ
  5. Широта предложения
  6. "Исследовать"
  7. Оценить быстро
  8. Потребляй мгновенно
  9. Настроить
  10. "Краткое содержание"

Быстрый рост ИИ

Возрождение ИИ было вызвано двумя тенденциями

  1. Революция в области облачных вычислений с ее гибкими вычислительными ресурсами и ресурсами памяти позволила обучать все более и более крупные модели.
  2. Появление больших данных. Большие объемы данных собираются как для коммерческого, так и для общественного блага.

Эти наборы данных в сочетании с возможностями обучения, доступными в облаке, позволяют создавать модели, которые очень близки к людям в различных видах деятельности, а в некоторых случаях даже превосходят человеческие способности.

Почти в унисон с этой инфраструктурной революцией сообщество AI/ML продвинулось вперед с такими инструментами и платформами, как TensorFlow, PyTorch, Keras, Caffe, AWS SageMaker, Vertex AI от Google, Azure AI от Microsoft, чтобы облегчить людям обучение и сборку. модели. Такие стартапы, как Weights and Biases и Fiddler.ai, предоставили специалистам по данным и специалистам по ИИ/МО инструменты, позволяющие тратить больше времени на создание инновационных архитектур и сосредоточивать внимание на все более и более широком спектре проблем, которые можно решить с помощью ИИ/МО. .

Потребление ИИ готово к взлету

Как и ожидалось, в эти первые дни цикла AI/ML много усилий было вложено в сторону «предложения» AI/ML — MLOps для создания новых моделей. Эти инструменты являются основой, на которой станет возможным «потребление» AI/ML. Как и в случае с любой новой технологией, особенно с такой шумихой, принятие или массовое потребление AI/ML — это то, что решит, останется ли эта технология нишевым игроком; как обещание Map-Reduce, Big Data и Hadoop, которые так и не смогли пройти мимо нескольких первых последователей; или станет прорывной технологией, такой как мобильная революция, которая окажет положительное влияние почти на каждого человека на планете.

На момент написания этой статьи stackoverflow только что опубликовал свой Опрос разработчиков 2022 года. Цитируя этот опрос — Hugging Face Transformers выглядит как самая любимая библиотека, в то время как Tensorflow остается самой востребованной. Это фреймворки, которые упрощают создание приложений, использующих ИИ. Еще более впечатляющей является эта цитата из опроса: разработчики хотят создавать модели машинного обучения, но им больше нравится использовать предварительно обученные модели. В этом нет ничего удивительного, потому что, в отличие от поставщиков ИИ/МО, большинство потребителей ИИ/МО не являются экспертами по МО. На самом деле, если AI/ML должен действительно взлететь, то каждый разработчик должен иметь возможность использовать AI/ML, не будучи экспертом в создании моделей ML.

Сообщество переворачивает угол потребления AI/ML

В наши дни разработчики сталкиваются с широким выбором вариантов использования «ИИ как API». Есть несколько поставщиков и стартапов, которые предлагают ту или иную форму потребления ИИ. Мы в Tiyaro стремимся сделать ИИ доступным для каждого разработчика. Мы создаем платформу потребления ИИ, где «ИИ как API» — это лишь часть головоломки для нас. Выбор, доступный разработчикам сегодня,

Крупные продавцы, как

  • Google Видение
  • Распознавание AWS
  • IBM Уотсон

Новым участникам нравится

  • Тияро
  • ОбниматьсяЛицо
  • НЛПОблако

Все эти предложения дают пользователям возможность использовать ИИ напрямую как API. Но не все поставщики созданы равными. Давайте рассмотрим 5 самых важных моментов, на которые стоит обратить внимание, чтобы превратить ваши идеи AI/ML из стремления в практику.

5 вещей, которые нужно учитывать, думая о потреблении ИИ

Вы понимаете потребности вашего приложения или бизнеса лучше, чем кто-либо другой. Вы решили, что хотите использовать AI/ML для решения своей проблемы. Так почему бы не позволить вашему приложению и бизнес-опыту помочь вам в выборе платформы потребления AI/ML. 5 вещей, которые мы здесь перечисляем, глубоко укоренены в философии, позволяющей вам использовать свой бизнес-опыт для решения вашей проблемы. Пусть это будет вашим руководящим принципом при выборе партнера AI/ML.

Широта предложения

Ваш бизнес не статичен, ваши требования меняются, ваше поведение пользователей меняется. Таким образом, ваша платформа AI/ML должна соответствовать вашим текущим и будущим потребностям. Например, интернет-магазин может быть заинтересован в автоматической атрибуции продукта (проблема компьютерного зрения) сегодня, но в ближайшем будущем он может захотеть помечать поддельные отзывы (проблема НЛП) продукта. Так что в идеале вы ищете платформу, которая не только дает вам широкий выбор моделей. Но вам также нужен поставщик, который может решать все типы проблем AI/ML, таких как компьютерное зрение, обработка естественного языка (NLP), прогнозирование временных рядов, аудио, видео и т. д.

Хорошо иметь поставщика, который может решить несколько типов проблем AI/ML. Но вы не можете останавливаться на достигнутом. Вы также хотите увидеть, откуда берутся эти модели. Есть поставщики, которые предоставляют только модели с открытым исходным кодом, есть и другие, которые поддерживают только частные модели, созданные по индивидуальному заказу. В идеале вы хотели бы выбрать поставщика, который может предоставить вам доступ к моделям большинства, если не всех, разработчиков моделей. Потому что в конечном итоге вы хотите найти лучшую модель для своего варианта использования.

Подводя итог, вы ищете широту как типов проблем, которые могут быть решены (Vision, NLP, TimeSeries и т. д.), так и источника моделей (с открытым исходным кодом, пользовательских, сторонних поставщиков или даже ваших собственных пользовательских моделей).

Вот матрица, которая полезна для сравнения различных платформ. Эта матрица ни в коем случае не является полной с точки зрения проблем машинного обучения, которые сформулированы на оси X, или поставщиков, перечисленных в основной части таблицы. Дело в том, что вы можете быстро использовать эту матрицу для оценки любого поставщика по вашему выбору и посмотреть, как он сравнивается с точки зрения широты их предложения.

VisionNLPTimeseriesOthers (номерной знак, обнаружение ориентира, обнаружение эмоций и т. д.)Модели с открытым исходным кодомHuggingFace, TiyaroHuggingFace, TiyaroTiyaroTiyaroПользовательские модели Rekognition, Google Vision, Clarifai, TiyaroRekognition, Google Vision, Clarifai, TiyaroTiyaroRekognition , Google Vision, Clarifai, TiyaroМодели от сторонних независимых поставщиков программного обеспеченияTiyaroTiyaroTiyaroTiyaro

Исследовать

Итак, у вас есть проблема, которую, по вашему мнению, можно решить с помощью машинного обучения. Как перейти от бизнес-задачи к модели API, которую можно использовать для решения проблемы? У вас есть 2 варианта.

  • Поиск по классам моделей. Многие поставщики каталогизировали предложения AI/ML и классифицировали их по различным классам моделей AI/ML, таким как классификация токенов, распознавание именованных объектов, маска заполнения, классификация изображений и многие другие. Каждый из этих классов будет иметь десятки, если не сотни моделей, поэтому, если вы знакомы с тем, как сопоставлять свои бизнес-задачи с классами моделей, эти предложения будут работать для вас достаточно хорошо. Если вы уже спрашиваете себя, как перейти от десятков или сотен моделей к той, которая работает для вас? Ну, это именно то, что мы рассмотрим в разделе «Быстрая оценка», но я отвлекся. Возвращаясь к самому поиску, это огромное улучшение по сравнению с предыдущим поколением, поскольку оно по-прежнему позволяет вам сузить свой выбор, хотя и с оговоркой, что вам нужно знать, что вы ищете. Это подход, используемый такими поставщиками, как HuggingFace, NLPCloud.
  • Поиск на простом английском языке. Было бы здорово, если бы вы могли просто искать модель машинного обучения на основе проблемы, которую вы пытаетесь решить. Например, если вы работаете над проектом по анализу настроений в твитах, посвященных вашему бренду или продукту, вы можете просто ввести «настроение»/ «твиттер»/«настроение в Твиттере», и вы получите список всех моделей, которые являются актуальными для данной проблемы. Это подход Тияро. Мы считаем, что это огромная победа как для разработчиков, так и для сообщества AI/ML. Чем проще пользователям будет найти то, что они ищут, тем лучше будут приняты модели.

Оценить быстро

Наличие списка из 10 или 100 моделей, которые могут решить вашу проблему, — отличное место для начала. Но в конечном счете вы хотите найти эту «единственную» модель, и чем легче и быстрее вы сможете сделать этот «осведомленный» выбор, тем скорее вы сможете вернуться к решению своей проблемы.

  • Статическое сравнение — это включает сравнение различных моделей по стоимости процессора, стоимости графического процессора, популярности, задержке, рейтингу поставщиков моделей. Простое статическое сравнение поможет вам очень быстро сузить свой выбор с сотен моделей до нескольких. Не все поставщики предоставляют вам всю эту информацию под рукой. Тияро провел бессчетное количество часов, изучая базовую статистику процессора и графического процессора для каждой модели, размещенной в Тияро. В дополнение к предоставлению всех этих статистических данных мы также добавляем «Оценку Тияро», которая является нашим секретным соусом, чтобы помочь вам сузить свой выбор за считанные минуты.
  • Динамическое сравнение — статистика хороша, как говорится, каждая команда является потенциальным победителем Суперкубка в начале сезона, но вам нужно играть в игры, чтобы узнать настоящего победителя. Точно так же единственный способ узнать «одну» модель — это просто запустить ее на ваших тестовых данных. Просто как тот. Насколько легко производитель упрощает запуск и сравнение различных моделей? Это должно быть делом минут, а не часов. Большинство поставщиков даже близко не предоставляют статическую статистику, не говоря уже о том, чтобы упростить динамическое сравнение. Tiyaro «Эксперименты» упрощает сравнение моделей с вашими собственными тестовыми данными, в течение нескольких минут вы получаете результаты, полученные из пользовательского интерфейса Tiyaro.

Потребляйте мгновенно

Учитывая большое количество предварительно обученных моделей с открытым исходным кодом и сторонних производителей, доступных разработчикам, существует высокая вероятность того, что на этом этапе вы найдете модель, которая лучше всего подходит для вас (если вы думаете о том, что, если я нужна пользовательская модель после всех оценок, мы собираемся рассказать об этом на следующем шаге). И остается только одно: Начать потребление. После того, как вы оценили и выбрали правильную модель, следующим шагом в вашей оценке будет то, как быстро вы сможете начать ее потреблять. Мы говорим о поставщиках, предоставляющих модели в качестве API, поэтому насколько это может быть сложно. Ну, вам нужно собрать все различные факторы вместе. Во многих случаях важна не только точность модели, иногда достаточно хорошо. Таким образом, возможность объединить все статические и динамические оценки, взвесив плюсы и минусы точности и стоимости или точности и задержки, прозрачность ценообразования. Вам нужен поставщик, который дает вам абсолютную ясность в отношении ценообразования, точности, задержки, сравнительных данных от нескольких вероятных моделей и щедрого бесплатного уровня, чтобы вы могли быстро принимать «обоснованные» решения. Поставщик, который может сделать эти вещи простыми, позволяет вам начать потреблять модели «мгновенно». Вы перешли от бизнес-проблемы к изучению моделей и их оценке за считанные минуты, и теперь вы сопоставляете все это с ценами, задержками, затратами и через несколько минут «потребляете» ИИ.

Настроить

Как бы разработчики ни любили предварительно обученные модели. Истинная природа приложений AI/ML такова, что вам может потребоваться настроить определенные модели для вашего варианта использования. Продавцы пытаются решить эту проблему несколькими способами.

  • AutoML — процесс обучения новой модели и автоматической настройки параметров, чтобы пользовательская модель для ваших данных была готова в течение нескольких часов, если не минут. Это делает очень удобным для большого числа пользователей доступ к своему решению без необходимости накапливать какие-либо знания в области обработки данных. Такие поставщики, как Google, Amazon, Azure, действительно лидируют здесь. Новички, такие как HuggingFace, также начали свой собственный путь AutoML.
  • Обучение как услуга. В Tiyaro мы строим науку о данных как услугу, чтобы наши пользователи могли использовать настройки моделей с той же легкостью, с которой они могут использовать готовые модели. Наши клиенты могут создавать собственные модели, просто указав решаемую задачу и предоставив данные для обучения и тестирования. В течение дня вы получите модель, специально обученную у Тияро. Настройка — очень важная и глубокая тема сама по себе, помимо фактического производства моделей, клиентам нужна помощь в разработке данных и маркировке. Такие поставщики, как Google, Amazon и Azure, имеют собственную службу маркировки, чтобы помочь своим клиентам.

Краткое содержание

AI/ML находится на пороге массового внедрения. Сегодня разработчики могут начать использовать AI/ML как услугу, и за считанные минуты вы сможете перейти от бизнес-кейса к работающей модели AI/ML. Учитывая широкий спектр предложений на рынке, следование основным рекомендациям, изложенным в этом блоге, должно дать вам хорошую основу для выбора, который подходит именно вам.

Первоначально опубликовано на https://www.tiyaro.ai/blog/start-using-ai-ml/.