Source: pexels.com/@bertellifotografia
Récemment, un grand champ de données éco-système, quelque chose est arrivé: l'intelligence artificielle Cisco (Cisco) et nouvelle profondeur du cadre matériel d'apprentissage d'un serveur alimenté par huit combinaison GPU. James Kobielus, analyste principal Wikibon a déclaré dans une récente interview, Cisco est engagé à soutenir le développement de Kubeflow dans le domaine de l'intelligence artificielle, « Kubeflow est un outil open source qui permet le moteur d'allocation contenant tensorflow et Kubernetes compatible. »
Tensorflow est une bibliothèque de logiciels open source pour le calcul numérique. Son architecture flexible peut facilement être appliquée à une variété de plates-formes de déploiement (de processeurs graphiques, TPU, CPU) et une variété d'appareils (ordinateurs de bureau, les serveurs, les clusters et les différents dispositifs de bord mobiles) dans. cerveau tensorflow a été initialement développé par l'équipe Google (partie du département de l'intelligence artificielle de la chanson Valley) développement. Il a un noyau numérique flexible, l'apprentissage de la machine et l'apprentissage en profondeur est une bonne aide. Ils ont développé un nouveau serveur piloté par un apprentissage en profondeur huit CPU.
JamesKobielus pense que conteneurisation dirige l'industrie du logiciel vers une nouvelle ère. Conteneurisées refaçonne actuellement le modèle de presque toutes les plateformes de logiciels informatiques, entraînant une certaine influence dans le domaine de l'intelligence artificielle et l'apprentissage de la machine. Par exemple, Cisco a récemment annoncé qu'il améliore la pile de tensorflow de la conteneurisation. Kobielus dit:
Quand je parle de l'IA très sophistiquée, se référant à des choses comme tensorflow. Par exemple, lorsqu'un utilisateur dans le modèle d'apprentissage construit profondeur tensorflow, on suppose que le modèle pour le développement de véhicules autonomes. Bien sûr, l'intérieur de la voiture prérégler le modèle d'apprentissage de profondeur qui peut utiliser les données du capteur pour la reconnaissance d'objets et d'autres fonctions. Dans le domaine de la gamme de contrôle automobile, sera approfondie modèle d'apprentissage, peut bloquer le trafic dans une zone donnée pour.Selon ce Kobielus, souvent avec Hadoop Spark Distributed File System (HDFS) avec une couche de stockage de la couche de persistance ou courir. Spark est l'un de l'environnement de développement préféré pour l'apprentissage de la machine à mémoire orientée. Il est de plus en plus utilisé pour les données en temps réel et plusieurs ETL tensorflow de déploiement hybride avec la préparation, et ont également tendance à la conteneurisation.
Kubeflow
logiciel conteneur permet aux entreprises de déplacer des charges de travail facilement entre les différents environnements. Pour l'essentiel, Kubeflow est basé sur une bibliothèque ness de ce cadre et des outils pour la construction et la machine de formation des modèles d'apprentissage. Ces modèles pourraient être conteneurisation dès le début. Les navires avec quelques-uns des principaux sujets comprennent la planification Kubernetes, l'apprentissage de la machine et l'apprentissage en profondeur.
Pour tout développement d'applications, contenant DevOps du flux de travail est en passe de devenir la norme. dit Kobielus, en particulier dans le développement d'applications d'intelligence artificielle. « Kubeflow les DevOps peuvent pointer pour gérer ces applications dans un environnement d'arrangement de conteneurs. » Kubeflow deviennent l'industrie des équipements intelligents (y compris les dispositifs d'intelligence artificielle) liants clés et supports contenant de l'intelligence artificielle. supports Azure nouveaux modèles d'apprentissage automatique basés sur la gestion et le développement navire, Apache Spark aussi.
Il a dit, la production Kubeflow de modèles d'apprentissage de la machine « Zoom », puis dans le plus simple possible Déployez format à la production. Parce que les chercheurs utilisent des outils d'apprentissage machines différentes, de sorte que l'objectif principal est d'empiler sur mesure selon les besoins des utilisateurs, et de fournir la pile d'apprentissage machine facile à utiliser à tout poste au sein Kubernetes déjà en cours d'exécution.
Source: pexels.com/@tomfisk
Machine Learning
l'apprentissage de la machine est devenue une forme d'analyse de données pour identifier les modèles et prédire la probabilité et l'existence comme une branche de la recherche sur l'intelligence artificielle. Les données fournies par le « connu » La réponse est le modèle, l'ordinateur peut vous entraîner pour prédire la réponse future de la situation inconnue. l'apprentissage de la machine a obtenu un succès considérable dans la résolution d'une tâche particulière, on estime que AI et ML sera le principal catalyseur pour le cloud computing. Pour fonctionner efficacement, il faut des techniques d'apprentissage machine efficaces pour apprendre, et combiné avec le nuage, y compris conteneurisation.
Dans cet esprit, Google a développé Kubeflow, ce bâtiment est un portable sur Kubernetes peut être une combinaison d'apprentissage de la machine et de la pile évolutive. Kubeflow fournit une plate-forme ouverte, peut se fixer sur le transfert de modèle ML sur le récipient, et à côté des données au lieu d'effectuer un calcul dans la superposition. Kubeflow aider à résoudre les problèmes fondamentaux de la réalisation de la pile ML. apprentissage machine niveau de production de solutions de construction nécessitent plusieurs types de données. Dans certains cas, utiliser différents outils pour construire la pile, l'algorithme va devenir très compliqué et produire des résultats incohérents.
Avantages étude approfondie
l'apprentissage en profondeur est une branche de l'apprentissage automatique, ordinateur de réseau de neurones qui soutient la profondeur de « apprentissage par l'expérience » et utilisent l'ordre hiérarchique pour comprendre le monde. Cette hiérarchie construite sur la base des concepts simples à travers les concepts complexes en utilisant le support en informatique pour des concepts complexes. les organisations du monde réel doivent combiner l'apprentissage de la machine et la technologie de plate-forme open source, qui est indépendant de ceux des développeurs originaux de projets open source ne prévu. Kobielus dit:
Je crois que pour le cloud révolution informatique apporté au rôle de chaque dispositif, et une étude approfondie de l'IA grande et essentielle. Nous avons fait dans le développement global de l'informatique mobile, la technologie AI sera appliquée à tout le monde autour de vous, sur chaque machine, tels que les appareils intelligents et équipements autonomes.Type d'innovation est apparue dans la reconnaissance faciale, la reconnaissance vocale et d'autres domaines. Cependant, il faut d'une manière standardisée, ou calculée par le bord normalisé nuage son application à l'environnement de déploiement, à savoir, pour atteindre et d'utiliser conteneurisation Kubernetes. Il a continué:
En tant que développeur, je pense que la clé est ce modèle pour effectuer différentes tâches peuvent être emballés et peuvent relier ces modèles disposés ensemble, afin qu'ils puissent fonctionner ensemble comme composants dans un environnement d'applications distribuées. De plus, ces modèles qui permet d'obtenir le suivi en temps réel et la gestion, généralement obtenue par coulée plan.Eclipse Foundation et local cloud computing (CNCF) a récemment annoncé qu'ils collaborent à la construction conteneurisées pile open source, et la profondeur des navires d'apprentissage apprentissage et la machine déployés à bord des équipements outils nécessaires. Eclipse Foundation offre un environnement favorable aux entreprises pour les logiciels open source, l'innovation et la collaboration.
Il y a quelques mois, la Fondation Eclipse a lancé un projet appelé Ditto, le projet parrainé par Bosch. L'objectif du projet est d'utiliser la technologie numérique pour développer l'intelligence artificielle de double, l'intelligence artificielle conçu pour fonctionner manière conteneurisées sur le bord de l'appareil.
Source: pexels.com/@artunchained
gestion des données
La gestion des données est sur la gestion et l'entretien des actifs de données et de métadonnées. Dans l'interview, Kobielus dit:
J'aime utiliser la « gestion » du mot. Selon l'industrie sur plusieurs niveaux pour gérer la pile. Communauté en décidant ce qui est accepté comme un projet, ce qui est présenté à un groupe de travail pour construire, et ce qui est finalement augmenter du bac à sable, éclos dans une certaine gestion dans cette communauté. Il contrôle des fournisseurs, que chaque fournisseur, la surveillance et la supervision du serveur cloud.Nous pensons Kobielus ce type de gestion des données est un élément essentiel de cette nouvelle ère. Certaines choses seront largement acceptées par le public, et de démarrer leur propre développement. Certaines choses tomberont sous le bord du chemin, comme Hadoop au début, il a dit:
Je me souviens de quelques fragments Hadoop, l'apprentissage de la machine Mahout comme les bibliothèques. Une partie a été adoptée, mais n'a pas encore atteint le niveau de la bibliothèque Spark.Il croit que les scientifiques de données développeurs de base de l'intelligence artificielle, mais ils ne se rendent pas compte qu'ils ont besoin d'avoir plus de connaissances du conteneur, il y a plus de compréhension de la Kubernetes « , comme il apparaîtra dans leur boîte à outils, comme cible environnement pour déployer leurs modèles ".
Il a conclu que les scientifiques de données, développeurs d'intelligence artificielle, les architectes de données et d'autres dans le besoin de l'industrie pour comprendre ces nouvelles technologies maintenant comment et pourquoi ils deviennent une composante essentielle de la pile de données. Toutes les personnes impliquées a besoin de comprendre cela, sinon ils seront abandonnés par les temps de données sur les tendances.
pouces Message attention
Ensemble, nous partageons l'apprentissage et le développement de l'IA sec
Amnesty International salue l'attention de la pendaison toute la plate-forme de la classe médiatique « lecture technique de base »
