مجله هوش مصنوعی شهاب
برای مدت طولانی حوزه ی هوش مصنوعی و مشهورترین شاخه آن یعنی یادگیری ماشین توسط هاله ای مرموز احاطه شده بود. دستگاه های مطبوعاتی و تبلیغاتی مقاله های متعددی برای پیش بینی ظهور دستگاه های فوق هوشمند، فوق العاده مستقل و شرارت آمیز را منتشر کرده بودند که بسیاری را ناامید کرده بود.
اما امروز ما چه چیزی برای مقابله با ان همه سر و صدا و افکار منفی داریم تا عرضه کنیم؟ فناوری هوش مصنوعی که از مرحله کمال خود فاصله دارد و گاهی اشتباهاتی نیز مرتکب می شود. و رباتی محدود و دارای نقص به زور توانسته به عنوان شهروند عربستان شناخته شود! ما حتی الگوریتمی مناسب برای ترجمه زبان هم نداریم.
بنابراین هوش مصنوعی، یادگیری ماشین و تمام آن دسته از کلمات تخصصی کلیدی اگر به معنای پایان بشریت نباشند ، چه معنایی دارند؟
خب این موضوعات، روش های جدیدی برای برنامه نویسی کامپیوتر در جهت حل مشکلات مربوط به طبقه بندی اطلاعات و پیش بینی روند ها هستند. و ما در نهایت خدمات مبتنی هوش مصنوعی زیادی داریم که می توانید همین الان در نرم افزار کسب و کارتان از آن ها استفاده کنید و مزایای فوق العاده ای را به دست بیاورید.
امروزه پلتفرم های هوش مصنوعی چه کار هایی می توانند برای مشاغل انجام دهند؟
سؤال خوبی هست!
هوش مصنوعی از نظر کاربرد (حداقل در تئوری) به قدری گسترده است که نمی توان هدف دقیق توسعه آن را مشخص کرد. مثل این است که بپرسید نرم افزار های صفحه گسترده ای مثل اکسل برای چه هدفی طراحی شده اند و چه کسی می تواند با آن ها کار کند. مطمئناً این نرم افزار ها ابتدائآ برای حسابداری توسعه داده شده اند اما امروزه کاربرد آن ها فراتر از این حرف هاست. و حسابداری تنها کاربرد آن ها نیست – افراد از آن ها به عنوان یک ابزار برای مدیریت پروژه، به عنوان ابزاری جهت لیست بندی فعالیت ها و به عنوان یک بانک اطلاعاتی استفاده می کنند. در ارتباط با هوش مصنوعی نیز قضیه به همین شکل هست.
اگر بخواهییم کمی دقیق تر صحبت کنیم هوش مصنوعی برای کارهایی که تعریف دقیقی از آن ها نشده و متکی به یادگیری از تجربه های گذشته هستند مفید است. بله ، این همان کاری است که انسان ها نیز انجام می دهند، اما هوش مصنوعی قابلیت های دیگری نیز دارد چرا که می تواند انبوهی از داده ها را در هر زمان پردازش کند و خیلی سریع تر به نتیجه برسد. به همین ترتیب ، برخی از کاربردهای معمولی هوش مصنوعی عبارتند از:
- تشخیص چهره ها در یک عکس ، فیلم و غیره
- کلاسه بندی و برچسب زدن تصاویر، به عنوان مثال برای آگاهی والدین
- تبدیل گفتار به متن
- تشخیص اشیا در رسانه ها (به عنوان مثال ، ماشین ، زن و غیره)
- پیش بینی روند سهام
- شناسایی حامیان مالی تروریسم (در بین میلیون ها تراکنش در روز)
- سیستم های توصیه (خرید ، موسیقی ، دوستان و غیره)
- تشخیص کاربر واقعی از ربات
- فیلتر کردن اسپم ها و هرزنامه ها
- تشخیص نفوذ در شبکه
می توان این لیست را ادامه داد و احتمالا حتی صفحه کم می آورد، اما احتمالا اکنون ایده این فناوری را درک کرده اید. این ها نمونه هایی از مسائلی است که انسان ها از طریق روش های سنتی محاسبه ای برای حل آن ها تلاش کرده اند. با این حال حتی این روش ها نیز مهم هستند زیرا نیاز شگرفی در تجارت و دنیای واقعی برای آن ها وجود دارد. بنابراین، بدون توضیحات بیشتر، اجازه دهید کارمان را با ارائه لیست پلتفرم های برتر هوش مصنوعی شروع کنیم و ببینیم که هر کدامشان چه چیزی برای عرضه دارند.
۱- سرویس هوش مصنوعی آمازون
درست همانطور که آمازون به سرعت شرکت ها را از کار بیکار می کند ، وبسایت آمازون نیز به عنوان یک پلتفرم به قدری مسلط و جامع است که هر چیزی که به ذهن انسان خطور کند را دارد. این مسئله در ارتباط با سرویس هوش مصنوعی آمازون نیز صادق است، که شامل خدمات مبتنی هوش مصنوعی فوق العاده مفیدی است.
در اینجا برخی از خدمات فوق العاده ای که وبسایت آمازون (AWS) ارائه می دهد اشاره می کنیم.
سیستم Amazon Comprehend :
به شما کمک می کند تا از تمام انبوه داده های متنی و بدون ساختار خود سر در بیاورید. یک مورد استفاده از هوش مصنوعی داده کاوی چت های موجود در قسمت پشتیبانی مشتری و مشخص کردن میزان رضایت مشتری در طول زمان است. این که عمده ترین نگرانی های مشتری چیست و همچنین تعیین کلمات کلیدی که بیشترین استفاده را داشته اند.
سرویس Amazon Forecast :
سرویسی بدون نیاز به تنظیمات است که برای استفاده از داده های دارای سری زمانی و تبدیل آن ها به پیش بینی های دقیق برای آینده استفاده می شود.
سرویس Amazon Lex :
رابط های مکالمه (متنی و/یا تصویری) را در نرم افزار های شما ایجاد می کند. در پشت صحنه، مدل های یادگیری ماشین آموزش دیده آمازون حضور دارند که قصد و نیت کاربر را رمزگشایی کرده و گفتار را در یک لحظه به متن تبدیل می کنند.
سرویس Amazon Personalize :
سرویسی ساده و بدون زیرساخت برای ارائه پیشنهاد هایی برای مشتریان یا خودتان! می توانید داده های مرتبط با تجارت الکترونیک یا تقریباً هر چیزی را به این سرویس وارد کنید و از پیشنهادات بسیار دقیق و جالب آن لذت ببرید. البته هرچه مجموعه داده بزرگتر باشد، توصیه ها بهتر خواهد شد. خدمات هوش مصنوعی بسیار بیشتری وجود دارد که آمازون آن ها را در خود به کار گرفته است و تقریباً می توانید کل روز را به بررسی و جستجو آن ها در اینترنت بگذرانید.
۲- TensorFlow
TensorFlow یک کتابخانه (و همچنین یک پلتفرم) است که توسط تیم سازنده ی Google Brain ساخته شده است. این فناوری نوعی پیاده سازی زیر دامنه یادگیری ماشین یعنی شبکه های عصبی یادگیری عمیق است؛ در واقع TensorFlow طراحی گوگل با استفاده از تکنیک یادگیری عمیق است برای دست یابی به این که چگونه با استفاده از شبکه های عصبی به یادگیری ماشین دست پیدا کنیم.
این بدان معناست که TensorFlow تنها راه استفاده از شبکه های عصبی نیست. در واقع تعداد زیادی از کتابخانه ها وجود دارند که هر یک دارای جوانب مثبت و منفی است.
TensorFlow به شکل گسترده ای به شما امکان به کارگیری قابلیت های گسترده ی یادگیری ماشین را برای بسیاری از محیط های مختلف برنامه نویسی فراهم می کند. با توجه به آنچه گفته شد پایه ی این پلت فرم بسیار بصری است و برای انجام کار بیشتر به نمودارها و تجسم داده ها متکی است. به همین ترتیب، حتی اگر شما یک برنامه نویس نباشید، ممکن است با کمی تلاش بتوانید نتایج خوبی از TensorFlow بگیرید.
از لحاظ تاریخی ، TensorFlow با هدف “دموکراتیک کردن” یادگیری ماشین طراحی شده است. تقریبا می توان گفت که TensorFlow اولین بستری بود که یادگیری ماشین را ساده، بصری و در این حد در دسترس قرار داد. در نتیجه، استفاده از یادگیری ماشین همه گیر شد و مردم توانستند مدل ها را به راحتی آموزش دهند.
مهمترین نقطه کاربردی TensorFlow کتابخانه Keras است که یک کتابخانه کارآمد با برنامه نویسی شبکه های عصبی است. در اینجا چگونگی ایجاد یک شبکه ساده و کاملاً متصل (پرسپترون) ساده را توضیح می دهیم:
model = tf.keras.Sequential() # Adds a densely-connected layer with 64 units to the model: model.add(layers.Dense(64, activation='relu')) # Add another: model.add(layers.Dense(64, activation='relu')) # Add a softmax layer with 10 output units: model.add(layers.Dense(10, activation='softmax'))
البته پیکربندی، آموزش و موارد دیگر نیز باید صورت بگیرد اما آن ها نیز به همان اندازه ساده هستند. با توجه به اینکه فناوری TensorFlow توانسته یادگیری ماشین را در پلتفرم های JavaScript ، دستگاه های تلفن همراه و حتی راهکار های مبتنی بر اینترنت اشیا( IoT ) به کار ببرد، پیدا کردن خطا یا اشتباه در TensorFlow کار سختی است.
همچنین توجه داشته باشید که برخی انتقادات که از TensorFlow ذکر می شد که این فناوری نمی تواند از GPU استفاده کند ، دیگر صحیح نیست. امروز TensorFlow نه تنها با GPU کار می کند بلکه گوگل تنها سخت افزار تخصصی خود را با نام TPU ( واحد پردازش TensorFlow ) توسعه داده است که به عنوان یک سرویس ابری در دسترس است.
۳- سرویس هوش مصنوعی گوگل
درست مانند خدمات آمازون ، گوگل همچنین مجموعه ای از سرویس های ابری را دارد که حول هوش مصنوعی شکل گرفته اند. از ارائه لیست تمام خدمات هوش مصنوعی گوگل خودداری می کنیم زیرا آن ها کاملاً شبیه خدمات ارائه شده توسط آمازون هستند. در اینجا به ذکر تصویری از آنچه که در دسترس توسعه دهندگان است بسنده می کنیم:
به طور گسترده دو روش برای استفاده از خدمات هوش مصنوعی گوگل وجود دارد. مورد اول استفاده از مدلی است که قبلاً توسط گوگل آموزش دیده است و شما فقط شروع به استفاده از آن در محصولات خود می کنید. مورد دوم ، خدمات به اصطلاح AutoML است که چندین مرحله واسطه ای یادگیری ماشین را به صورت خودکار انجام می دهد، به عنوان مثال، به توسعه دهندگان با تخصص کمتر در زمینه یادگیری ماشین کمک می کند تا مدل ها را به راحتی بسازند و آموزش دهند.
۴- H2O
H2O یک سیستم عامل متن باز برای یادگیری ماشین است که توسط کمپانی های بزرگی که در لیست Fortune 500 ( لیست ۵۰۰ کمپانی برتر دنیا ) وجود دارد مورد استفاده قرار گرفته می شود.
برنامه اصلی این سیستم این است که تحقیقات حوزه هوش مصنوعی در دسترس عموم باشد نه اینکه اجازه دهیم که به عنوان اهرم فشار شرکت بزرگ و سرمایه دار باقی بماند. چندین محصول تحت پلتفرم H2O ارائه می شوند مانند:
- H2O : بستر پایه برای کاوش و استفاده از یادگیری ماشین
- Sparkling Water : اذغام رسمی H2O با Apache Spark برای کار با مجموعه داده های عظیم
- H2O4GPU : نسخه شتاب دهنده GPU از پلتفرم H2O
H2O همچنین راهکار های مناسبی برای شرکت ها ایجاد کرده است که عبارتند از:
- Driverless AI : فناوری هوش مصنوعی Driveless هیچ ارتباطی با اتومبیل های خودران ندارد! این بیشتر با فناوری یادگیری ماشین AutoML گوگل شباهت دارد. بیشتر مراحل هوش مصنوعی یا یادگیری ماشین به صورت خودکار انجام می شود که در نتیجه ابزارهای توسعه آن ها ساده تر و سریع تر می شوند.
- پشتیبانی پولی : به عنوان یک شرکت نمی توانید منتظر باشید تا مسائل و مشکلات خود را در GitHub مطرح کرده و امیدوار باشید که به زودی پاسخی دریافت کنید. به جهت با ارزش بودن وقت H2O برای شرکت های بزرگ پشتیبانی پرداختی و مشاوره ای ارائه می دهد.
۵- Petuum
Petuum توسعه دهنده پلتفرم Symphony است که برای انجام کارها بدون فکر کردن ساخته شده است تا همه کار ها توسط هوش مصنوعی انجام شود. به عبارت دیگر اگر از برنامه نویسی خسته شده اید و یا نمی خواهید از کتابخانه های مختلف و قالب های خروجی استفاده کنید، استفاده از پلتفرم Symphony برای شما مانند گذراندن تعطیلات به حساب خواهد آمد.
در حالی که هیچ بخش “باز” ی در پلتفرم Symphony وجود ندارد بررسی ویژگی های آن ارزشمند است:
- قابلیت کشیدن و رها کردن در رابط کاربری
- پایپ لاین داده های تعاملی را به راحتی بسازید
- هزاران بلوک های ساختاری استاندارد و ماژولار برای ایجاد برنامه های کاربردی هوش مصنوعی پیشرفته تر
- برنامه نویسی و ایجاد رابط های API برای کسانی که احساس می کنند روش بصری به اندازه کافی قدرتمند نیست
- بهینه سازی خودکار با GPU
- پلتفرم توزیع شده و بسیار مقیاس پذیر
- جمع آوری داده های چند منبعی
۶- Polyaxon
بزرگترین چالش امروز در حوزه ی یادگیری ماشین و هوش مصنوعی یافتن کتابخانه ها و الگوریتم های خوب (یا حتی منابع یادگیری) نیست، بلکه مهندسی ماهر است که بتواند با سیستم های عظیم و بار سنگین داده ها سر و کار داشته باشد. حتی برای مهندسین نرم افزار با تجربه نیز این کار می تواند بسیار دشوار باشد. اگر چنین احساسی دارید ، Polyaxon ارزش بررسی کردن را دارد.
Polyaxon یک کتابخانه یا حتی یک چارچوب نیست. در عوض یک راهکار End-To-End برای مدیریت همه جنبه های یادگیری ماشین است، مانند:
- اتصالات و جریان داده ها
- شتاب سخت افزار
- کانتینر و ارکستراسیون
- زمانبندی، ذخیره سازی و امنیت
- خط جریان، بهینه سازی، ردیابی و غیره
- داشبورد، API، تجسم و غیره
Polyaxon را می توان به عنوان یک کتابخانه – و ارائه دهنده – در نظر گرفت زیرا تعداد بسیار زیادی راهکار های مختلف (منبع باز یا بسته) را پشتیبانی می کند. البته شما هنوز هم در برخی سطوح کار باید با توسعه و مقیاس دادن به پروژه ها مواجه شوید. اگر حتی بخواهید با این مسائل نیز دست و پنجه نرم نکنید، Polyaxon یک راهکار بستر به عنوان سرویس ( PaaS ) تا بتوانید از زیرساخت آن ها به طور انعطاف پذیر استفاده کنید.
۷- DataRobot
به عبارت ساده تر ، DataRobot یک راهکار متمرکز بر یادگیری ماشین برای شرکت ها است. این پلتفرم به طور کلی بصری است و به گونه ای طراحی شده است که به سرعت بتواند روند موجود در داده های شما را بیابد و استفاده تجاری خاصی از آن ها کند.
رابط این پلتفرم بصری و شفاف است و به افراد غیر متخصص اجازه می دهد تا کنترل آن را بدست بگیرند و بینش های معناداری را از آن بگیرند.
DataRobot دارای ویژگی های متنوع و متعددی نیست؛ در عوض بر روند های سنتی داده ها تمرکز می کند و قابلیت های کاربردی را در موارد زیر ارائه می دهد:
- یادگیری ماشین خودکار
- رگرسیون و طبقه بندی
- سری زمانی
در بیشتر موارد، پلتفرم DataRobot تنها چیزی است که شما بدان نیاز دارید.
۸- NeuralDesigner
حال که در مورد پلتفرم های قدرتمند و در عین حال آسان هوش مصنوعی صحبت می کنیم، NeuralDesigner لایق معرفی شدن به صورت ویژه است.
حرف های زیادی در مورد NeuralDesigner برای گفتن وجود ندارد ، اما کارهای زیادی می تواند انجام شود! با توجه به اینکه شبکه های عصبی کم و بیش بر روش شناسی مدرن یادگیری ماشین مسلط شده اند، کار با پلتفرمی که فقط بر روی شبکه های عصبی متمرکز است، منطقی است.
NeuralDesigner از جهات مختلفی بر سایر پلتفرم ها برتری دارد:
- بدون نیاز به برنامه نویسی
- بدون نیاز به ایجاد رابط پیچیده. همه چیز قالب مراحلی محسوس، آسان و قابل فهم و تفسیر شده ارائه می شود.
- مجموعه ای از پیشرفته ترین و پالایش شده ترین الگوریتم های خاص برای شبکه های عصبی.
- موازی سازی CPU و شتاب دهی به GPU برای کارایی بالا.
۹- Prevision.io
Pervision.io پلتفرمی برای مدیریت کلیه جنبه های یادگیری ماشین است، از پردازش داده ها تا استقرار با مقیاس پذیری.
۱۰- Predictionio
اگر یک توسعه دهنده هستید پلتفرم PredictionIO یک پیشنهاد فوق العاده مفید است که باید به آن توجه کنید. در اصل PredictionIO یک سیستم عامل یادگیری ماشین است که می تواند داده های برنامه شما (وب ، موبایل یا موارد دیگر) را دریافت کرده و به سرعت پیش بینی های ممکن را انجام دهد.
PredictionIO فقط برای پیش بینی نیست بلکه طیف کاملی از یادگیری ماشین را پشتیبانی می کند. در اینجا چند دلیل جالب برای استفاده از آن وجود دارد:
- پشتیبانی از کلاسه بندی، رگرسیون ، توصیه ها و NLP
- برای پردازش سنگین داده های کلان ساخته شده است
- چندین قالب از پیش ساخته برای کسانی که عجله دارند
- همراه با Apache Spark ، MLlib ، HBase ، Akka HTTP و Elasticsearch عرضه می شود تا به نیاز های مدرن و سنگین برنامه ها پاسخ دهد
- مصرف داده های ترکیبی از منابع مختلف، چه در حالت بسته ای و چه در حالت زمان واقعی
- به عنوان یک سرویس وب معمولی مستقر شده است در نتیجه استفاده و به کار گیری از آن آسان است
نتیجه گیری:
امروزه هیچ کمبودی در زمینه چهارچوب ها یا پلتفرم های هوش مصنوعی و یادگیری ماشین نیست. برای آماده سازی این مقاله انتخاب های بیشماری بررسی شد. در نهایت، سعی کردیم این لیست را به موارد منحصر به فرد یا جالب محدود کنیم. اگر فکر می کنید چیز مهمی را از دست داده ایم ، لطفاً در قسمت نظرات به ما اطلاع دهید.
دوره های یادگیری ماشین بسیار خوبی در سایت Coursera موجود است ، همچنین اگر علاقه مند به یادگیری هستید ، می توانید با ۱۰ دوره برتر و رایگان هوش منصوعی و یادگیری ماشین در سال ۲۰۲۰ را بررسی کنید.
خب حالا کدام پلتفرم از بقیه بهتر است؟ متأسفانه ، پاسخ روشنی وجود ندارد.
یکی از دلایلش این است که که اکثر این خدمات به یک فناوری یا اکوسیستم خاص مربوط می شود. دلیل مهم دیگر این است که در حال حاضر ، فناوری های هوش مصنوعی و یادگیری ماشین شکل کالا به خود گرفته اند و رقابتی برای ارائه هر چه بیشتر ویژگی ها با کمترین قیمت ممکن در بین آن ها وجود دارد. هیچ فروشنده ای قادر به عدم ارائه آنچه دیگران ارائه می دهند نیست و هر پیشنهاد جدید تقریباً یک شبه توسط رقبا کپی و ارائه می شود.
به این ترتیب همه چیز بستگی به این دارد که هدف شما چیست.
بیشتر بخوانید:
- فناوری تشخیص پلاک خودرو چگونه جامعه را هوشمندتر می کند
- گوگل ساختار سازمانی خود را جهت تمرکز بر هوش مصنوعی اصلاح می کند
- پلاک خوان های شهر گرینزبوروی آمریکا فعلاً قرار نیست افزایش پیدا کنند
- فرماندار اوکلند از پلاک خوان ها حمایت می کند اما مخالفان در اثربخشی آن تردید دارند
- لبنان استفاده از پلاک خوان های خودکار را تایید کرد
