10 Platform AI untuk Membangun Aplikasi Modern Anda

Sekarang kita tahu Terminator tidak datang untuk menjemput kita, sekarang saatnya berteman dengan Intelegensi Buatan dan mendapat manfaat darinya!


Untuk waktu yang lama bidang Inteligensi Buatan, dan sub-disiplinnya yang paling terkenal, Machine Learning, dikelilingi oleh aura misterius. Mesin-mesin pers propaganda memompa artikel demi artikel yang meramalkan munculnya mesin-mesin yang super-cerdas, super-independen, dan super-jahat, membuat banyak orang jatuh dalam keputusasaan (termasuk saya sendiri).

Dan apa yang kita miliki hari ini untuk menunjukkan semua kebisingan dan asap? Teknologi AI yang jauh dari sempurna, memalukan kesalahan, dan robot terbatas yang tidak berfungsi yang, hampir dengan paksa, berubah menjadi warganegara. Heck, kami bahkan belum memiliki algoritma terjemahan bahasa yang layak.

Jika hari ini, seseorang masih bersikeras bahwa hari kiamat sudah dekat, inilah reaksi saya:

Jadi apa itu AI, ML, dan semua kata kunci itu jika bukan akhir dari kemanusiaan?

Nah, ini adalah cara baru pemrograman komputer untuk menyelesaikan masalah yang berkaitan dengan klasifikasi dan prediksi. Dan coba tebak, kami akhirnya memiliki banyak layanan AI yang dapat Anda gunakan segera dalam aplikasi bisnis Anda dan menuai manfaat luar biasa.

Apa yang dapat dilakukan platform AI untuk bisnis saat ini?

Pertanyaan bagus!

Inteligensi buatan sangat umum dalam penerapannya (setidaknya dalam teori) sehingga tidak mungkin untuk menunjukkan tujuan pengembangannya. Itu seperti menanyakan untuk apa spreadsheet dikembangkan dan apa yang bisa dilakukan dengan itu. Tentu, itu dikembangkan untuk akuntansi, tetapi hari ini jauh melebihi tanggung jawab itu. Dan akuntansi bukan satu-satunya fungsi – orang menggunakannya sebagai alat manajemen proyek, sebagai daftar todo, sebagai database, dan apa yang tidak.

Sama halnya dengan AI.

Secara kasar, AI berguna untuk tugas-tugas yang didefinisikan secara longgar dan mengandalkan belajar dari pengalaman. Ya, itulah yang juga dilakukan manusia, tetapi AI memiliki keunggulan karena dapat memproses banyak data dalam waktu singkat dan sampai pada kesimpulan yang jauh lebih cepat. Dengan demikian, beberapa aplikasi khas AI adalah:

  • Mendeteksi wajah di foto, video, dll
  • Mengklasifikasikan dan memberi tag pada gambar, misalnya, untuk nasihat orang tua
  • Konversi ucapan ke teks
  • Deteksi objek di media (mis., Mobil, wanita, dll.)
  • Prediksi pergerakan harga saham
  • Pendeteksian dana terorisme (di antara jutaan transaksi per hari)
  • Sistem rekomendasi (belanja, musik, teman, dll.)
  • Melanggar Captcha
  • Penyaringan spam
  • Deteksi intrusi jaringan

Saya bisa terus dan terus, dan mungkin kehabisan halaman (secara kiasan), tapi saya kira Anda mendapatkan ide sekarang. Ini semua adalah contoh masalah yang manusia telah berjuang untuk memecahkan melalui cara komputasi tradisional. Namun, ini penting karena mereka memiliki kebutuhan luar biasa dalam bisnis dan dunia nyata.

Jadi, tanpa basa-basi, mari kita mulai dengan daftar platform AI teratas kami dan lihat apa yang mereka tawarkan.

Layanan AI Amazon

Sama seperti Amazon dengan cepat membuat perusahaan keluar dari bisnis, begitu juga AWS sangat dominan sebagai platform sehingga hampir tidak ada hal lain yang terlintas dalam pikiran. Sama halnya dengan Layanan AI Amazon, yang penuh dengan layanan AI yang sangat berguna.

Berikut adalah beberapa layanan yang mengejutkan yang dimiliki AWS.

Amazon Comprehend: Membantu Anda memahami semua kumpulan data tekstual dan tidak terstruktur yang Anda miliki. Satu kasus penggunaan adalah menambang obrolan dukungan pelanggan yang ada dan mencari tahu apa tingkat kepuasan telah dari waktu ke waktu, apa yang menjadi perhatian utama pelanggan, kata kunci apa yang paling sering digunakan, dll..

Prakiraan Amazon: Layanan pengaturan nol untuk menggunakan data deret waktu yang ada dan mengubahnya menjadi prakiraan akurat untuk masa depan. Jika Anda ingin tahu apa itu data deret waktu, lihat artikel yang saya tulis baru-baru ini (lihat database yang disebut Timescale di akhir artikel).

Amazon Lex: Bangun antarmuka percakapan (tekstual dan / atau visual) ke dalam aplikasi Anda. Di belakang layar sedang menjalankan model Pembelajaran Mesin Amazon yang terlatih yang mendekodekan maksud dan melakukan pidato-ke-teks dengan cepat.

Amazon Personalisasi: Layanan sederhana dan tanpa infrastruktur untuk membuat rekomendasi bagi pelanggan Anda, atau diri Anda sendiri! Anda dapat memasukkan data e-commerce atau apa saja ke layanan ini, dan menikmati saran yang sangat akurat dan menarik. Tentu saja, semakin besar kumpulan data, semakin baik rekomendasinya.

Ada banyak lagi layanan AI yang dimiliki Amazon, dan Anda bisa menghabiskan sepanjang hari menjelajahinya. Namun demikian, ini adalah aktivitas yang saya rekomendasikan dengan sepenuh hati! ��

Catatan: Sulit untuk menemukan ringkasan semua layanan ini bersama-sama di dokumen AWS, tetapi jika Anda membuka https://aws.amazon.com/machine-learning, ini tercantum dalam daftar tarik di bawah “Layanan AI.”

TensorFlow

TensorFlow adalah perpustakaan (dan juga platform) yang dibuat oleh tim di belakang Google Brain. Ini adalah implementasi dari subdomain ML yang disebut Deep Learning Neural Networks; artinya, TensorFlow adalah cara Google untuk mencapai pembelajaran mesin dengan jaring saraf menggunakan teknik pembelajaran mendalam.

Sekarang, itu berarti TensorFlow tentu saja bukan satu-satunya cara untuk menggunakan Neural Networks – ada banyak perpustakaan di luar sana, masing-masing dengan pro dan kontra.

Secara luas, TensorFlow memungkinkan Anda memiliki kemampuan Machine Learning untuk berbagai lingkungan pemrograman. Yang mengatakan, platform dasar cukup visual, dan sebagian besar bergantung pada grafik dan visualisasi data untuk menyelesaikan pekerjaan. Dengan demikian, bahkan jika Anda bukan seorang programmer, dimungkinkan, dengan sedikit usaha, untuk mendapatkan hasil yang baik dari TensorFlow.

Secara historis, TensorFlow bertujuan untuk “mendemokratisasikan” Pembelajaran Mesin. Sepengetahuan saya, itu adalah platform pertama yang membuat ML sederhana, visual, dan dapat diakses ke tingkat ini. Akibatnya, penggunaan ML meledak, dan orang-orang dapat melatih model dengan mudah.

Nilai jual paling signifikan dari TensorFlow adalah Keras, yang merupakan perpustakaan untuk bekerja secara efisien dengan Neural Networks secara terprogram. Inilah cara sederhana untuk membuat jaringan (perceptron) yang sederhana dan terhubung sepenuhnya:

model = tf.keras.Sequential ()
# Menambahkan lapisan yang terhubung erat dengan 64 unit ke model:
model.add (layers.Dense (64, aktivasi = ‘relu’))
# Tambahkan yang lain:
model.add (layers.Dense (64, aktivasi = ‘relu’))
# Tambahkan lapisan softmax dengan 10 unit output:
model.add (layers.Dense (10, aktivasi = ‘softmax’))

Tentu saja konfigurasi, pelatihan, dll., Juga perlu dilakukan, tetapi mereka juga sama-sama sederhana.

Sulit untuk menemukan kesalahan dengan TensorFlow, mengingat membawa ML ke JavaScript, perangkat seluler, dan bahkan solusi IoT. Namun, di mata kaum puritan, itu tetap merupakan platform “yang lebih rendah” yang dapat diacaukan oleh setiap Tom, Dick, dan Harry. Jadi, bersiaplah untuk menghadapi perlawanan ketika Anda naik tangga keterampilan dan bertemu lebih banyak jiwa yang “tercerahkan”. ��

Jika Anda seorang pemula, lihat ini Kursus online pengenalan TensorFlow.

Juga perhatikan: Beberapa kritik terhadap TensorFlow menyebutkan bahwa ia tidak dapat menggunakan GPU, yang tidak benar lagi. Saat ini TensorFlow tidak hanya bekerja dengan GPU, tetapi Google telah mengembangkan satu-satunya perangkat keras khusus yang disebut TPU (TensorFlow Processing Unit), yang tersedia sebagai Cloud layanan.

Layanan Google AI

Sama seperti layanan Amazon, Google juga memiliki paket cloud jasa berputar di sekitar AI. Saya akan menahan diri untuk tidak mencantumkan semua layanan, karena sangat mirip dengan penawaran Amazon. Berikut adalah screenshot dari apa yang tersedia untuk dibangun oleh pengembang jika mereka tertarik:

Secara umum, ada dua cara Anda dapat menggunakan layanan AI Google. Yang pertama adalah menggunakan model yang sudah dilatih oleh Google dan mulai menerapkannya pada produk Anda. Yang kedua adalah yang disebut AutoML layanan, yang mengotomatisasi beberapa tahap perantara Machine Learning, membantu, katakanlah, pengembang tumpukan penuh dengan keahlian ML yang lebih rendah untuk membangun dan melatih model dengan mudah.

H2O

“2” dalam H2O seharusnya menjadi subskrip (menyerupai rumus kimia untuk air, saya kira), tetapi sulit untuk mengetiknya. Saya harap orang-orang di belakang H2O tidak akan terlalu keberatan!

H2O adalah platform sumber terbuka untuk Pembelajaran Mesin yang digunakan oleh nama-nama besar yang termasuk dalam Fortune 500.

Gagasan utamanya adalah membuat penelitian mutakhir AI menjangkau masyarakat umum alih-alih membiarkannya tetap berada di tangan perusahaan dengan kantong dalam dan pengungkit yang dalam. Beberapa produk ditawarkan di bawah platform H2O, seperti:

  • H2O: Platform dasar untuk menjelajahi dan menggunakan Pembelajaran Mesin.
  • Air Berkilau: Integrasi resmi dengan Apache Spark untuk set data besar.
  • H2O4GPU: Versi platform H2O yang dipercepat GPU.

H2O juga membuat solusi yang disesuaikan untuk perusahaan, dan ini termasuk:

  • Driverless AI: Tidak, Driverless AI tidak ada hubungannya dengan mobil self-driving! �� Ini lebih pada garis penawaran AutoML Google – sebagian besar tahapan AI / ML bersifat otomatis, menghasilkan alat yang lebih sederhana dan lebih cepat untuk dikembangkan dengan.
  • Dukungan berbayar: Sebagai perusahaan, Anda tidak bisa menunggu untuk mengangkat masalah GitHub dan berharap mereka mendapat jawaban segera. Jika waktu adalah uang, H2O menawarkan dukungan dan konsultasi berbayar untuk perusahaan besar.

Petuum

Petuum mengembangkan Simfoni platform, yang dirancang untuk tidak membuat AI berpikir. Dengan kata lain, jika Anda bosan dengan pengkodean dan / atau tidak ingin menghafal lebih banyak pustaka dan format keluaran, Symphony akan terasa seperti liburan di Alpen.!

Meskipun tidak ada yang “terbuka” tentang platform Symphony, fitur-fiturnya layak untuk dilewatkan:

  • Seret dan lepas UI
  • Mudah membangun pipa data interaktif
  • Banyak blok bangunan standar dan modular untuk membuat aplikasi AI yang lebih canggih
  • Pemrograman dan antarmuka API yang merasakan cara visual tidak cukup kuat
  • Optimalisasi otomatis dengan GPU
  • Platform terdistribusi, sangat scalable
  • Pengumpulan data multi-sumber

Ada banyak lagi fitur yang benar-benar akan membuat Anda merasa bahwa penghalang untuk masuk telah jauh berkurang. Sangat dianjurkan!

Polyaxon

Tantangan terbesar saat ini dalam Pembelajaran Mesin dan AI bukanlah menemukan perpustakaan dan algoritma yang baik (atau bahkan sumber belajar), tetapi rekayasa terampil yang harus diterapkan untuk menangani sistem raksasa dan beban data tinggi yang dihasilkan.

Bahkan untuk insinyur perangkat lunak berpengalaman, itu bisa menjadi terlalu banyak bertanya. Jika Anda merasa seperti itu juga, Polyaxon patut dilihat.

Polyaxon bukan perpustakaan atau bahkan kerangka kerja; alih-alih, ini merupakan solusi ujung ke ujung untuk mengelola semua aspek Pembelajaran Mesin, seperti:

  • Koneksi data dan streaming
  • Akselerasi perangkat keras
  • Kontainerisasi dan orkestrasi
  • Penjadwalan, penyimpanan, dan keamanan
  • Pipelining, optimisasi, pelacakan, dll.
  • Dashboarding, API, visualisasi, dll.

Ini cukup banyak perpustakaan dan penyedia-agnostik, karena sejumlah besar solusi populer (sumber terbuka dan tertutup) didukung.

Tentu saja, Anda masih harus berurusan dengan penyebaran dan penskalaan pada tingkat tertentu. Jika Anda ingin menghindari hal itu, Polyaxon menawarkan solusi PaaS yang memungkinkan Anda menggunakan infrastruktur mereka secara elastis.

DataRobot

Sederhananya, DataRobot adalah solusi Pembelajaran Mesin yang terfokus untuk perusahaan. Semuanya visual dan dirancang untuk dengan cepat memahami data Anda dan menggunakannya untuk penggunaan bisnis yang konkret.

Antarmukanya intuitif dan ramping, memungkinkan orang yang tidak ahli berada di belakang kemudi dan menghasilkan wawasan yang bermakna.

DataRobot tidak memiliki banyak fitur; alih-alih, ini berfokus pada pengertian data tradisional dan memberikan kemampuan yang kokoh dalam:

  • Pembelajaran Mesin Otomatis
  • Regresi dan Klasifikasi
  • Seri waktu

Lebih sering daripada tidak, ini semua yang Anda butuhkan untuk perusahaan Anda. Dengan kata lain, dalam banyak kasus, DataRobot adalah yang Anda butuhkan. ��

Perancang Neural

Sementara kami membahas tentang platform AI yang kuat dan mudah digunakan, Perancang Neural pantas disebutkan secara khusus.

Tidak banyak yang bisa dikatakan tentang NeuralDesigner, tetapi ada banyak yang harus dilakukan! Mengingat bahwa Neural Networks kurang lebih mendominasi metodologi Machine Learning modern, masuk akal untuk bekerja dengan platform yang hanya berfokus pada Neural Networks. Tidak banyak pilihan, tidak ada gangguan – kualitas melebihi kuantitas.

NeuralDesigner unggul dalam banyak hal:

  • Tidak diperlukan pemrograman. Sama sekali.
  • Tidak diperlukan pembangunan antarmuka yang kompleks. Semuanya ditata dengan langkah-langkah yang masuk akal, mudah dipahami, dan teratur.
  • Kumpulan algoritma paling canggih dan halus khusus untuk Neural Networks.
  • Paralelisasi CPU dan akselerasi GPU untuk kinerja tinggi.

Layak a Lihat? Pastinya!

Prevision.io

Pervision.io adalah platform untuk mengelola semua aspek Machine Learning, langsung dari pemrosesan data hingga penerapan skala.

PrediksiIO

Jika Anda seorang pengembang, PrediksiIO adalah penawaran luar biasa berguna yang harus Anda perhatikan. Intinya, PredictionIO adalah platform pembelajaran mesin yang dapat mencerna data dari aplikasi Anda (web, seluler, atau lainnya) dan dengan cepat membuat prediksi.

Jangan tertipu dengan namanya – PredictionIO tidak hanya untuk prediksi, tetapi mendukung spektrum penuh Pembelajaran Mesin. Berikut adalah beberapa alasan keren untuk menyukainya:

  • Dukungan untuk Klasifikasi, Regresi, Rekomendasi, NLP, dan apa yang tidak.
  • Bangun untuk menangani beban kerja serius dalam pengaturan Big Data.
  • Beberapa prebuilt template untuk mereka yang terburu-buru.
  • Dilengkapi dengan Apache Spark, MLlib, HBase, Akka HTTP, dan Elasticsearch, melayani setiap kebutuhan yang mungkin dari aplikasi modern yang kuat.
  • Gabungan pengambilan data dari berbagai sumber, baik dalam mode batch atau real-time.
  • Digunakan sebagai layanan web biasa – mudah dikonsumsi dan disuapi.

Untuk sebagian besar proyek web di luar sana, saya tidak melihat bagaimana PredictionIO tidak masuk akal. Silakan dan coba!

Kesimpulan

Tidak ada kekurangan kerangka atau platform AI dan ML hari ini; Saya kewalahan dengan pilihan ketika saya mulai meneliti untuk artikel ini. Akibatnya, saya mencoba mempersempit daftar ini menjadi yang unik atau menarik. Jika Anda pikir saya telah melewatkan sesuatu yang penting, beri tahu saya.

Coursera dapatkan beberapa kursus pembelajaran mesin yang hebat, jadi periksa apakah Anda tertarik untuk belajar.

Jadi, platform mana yang terbaik? Sayangnya, tidak ada jawaban yang jelas. Salah satu alasan bahwa sebagian besar layanan ini terkait dengan tumpukan teknologi atau ekosistem tertentu (kebanyakan membangun apa yang disebut taman bertembok). Yang lain, yang lebih penting, alasannya adalah bahwa pada saat ini, teknologi AI dan ML telah menjadi komoditas dan ada perlombaan untuk menyediakan sebanyak mungkin fitur dengan harga serendah mungkin. Tidak ada vendor yang mampu untuk tidak menawarkan apa yang ditawarkan orang lain, dan setiap penawaran baru akan disalin dan dilayani oleh pesaing hampir dalam semalam.

Dengan demikian, semuanya tergantung pada apa tumpukan dan tujuan Anda, seberapa intuitif Anda menemukan layanan itu, apa persepsi Anda tentang perusahaan di baliknya, dan seterusnya.

Tapi apa pun masalahnya, tak perlu dikatakan bahwa AI akhirnya tersedia sebagai layanan, dan akan sangat tidak bijaksana untuk tidak menggunakannya. ��

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map