هل تدخل Google Cloud إلى الصين عبر Capital Online؟ هل AutoML جاهز للاستخدام؟
بقلم سوبر نيرو
قبل أن أتمكن من الرد على بحث Google، تلقيت خبرًا يفيد بأن Google Cloud سوف يدخل الصين.
هل يمكن استخدام AutoML بشكل ملائم حقًا؟هل سيأتي Google Cloud؟
بعد ظهر اليوم، تم إصدار الحساب العام الرسمي لشركة Capital Online على WeChat «ستدخل Google Cloud إلى الصين من خلال Capital Online»أخبار.
منذ بضعة أشهر مضت، عندما قام مسؤولون تنفيذيون من جوجل بزيارة الصين بشكل متكرر، وتأسيس معهد للذكاء الاصطناعي، وإعلانهم أنهم لم يتخلوا أبدًا عن السوق الصينية، كان العديد من الناس يتطلعون إلى عودة المنتجات المرتبطة بجوجل.
على الرغم من أن موقع Capital Online قام بحذف المقال بعد فترة وجيزة من نشره، إلا أنه صرح بشكل خاص "شركة Capital Online لديها اتفاقية وكالة خارجية فقط، وليس الصين كما هو مذكور في المقال."
ومع ذلك، فإن نبرة هذه المقالة إيجابية وصياغتها واضحة. وأما أسباب حذف المقال ومنع نشره فهي تستحق التأمل.
على الرغم من أنه ليس من المؤكد أن Google Cloud ستتمكن من دخول الصين بسلاسة، وقد يستغرق الأمر بعض الوقت حتى يتم استخدام AutoML بشكل ملائم، لا يزال هناك العديد من الخدمات الأخرى المماثلة.بالإضافة إلى AutoML؟ على الرغم من وجود العديد من أطر عمل نماذج التعلم الآلي الجاهزة التي يمكن استخدامها بشكل مباشر لتقليل تكلفة بناء نماذج الذكاء الاصطناعي، فقد قامت العديد من الشركات أيضًا بجعل أدوات التعلم الآلي الخاصة بها مفتوحة المصدر.
ومع ذلك، لا تستطيع هذه الأطر حتى الآن تحقيق نفس المستوى كما كان من قبل - فمن الصعب أن تكون الأطر متوافقة، ولا يوجد حاليًا حل فعال يسمح بربط إطار عمل التعلم الآلي بأي تطبيق. إذا احتاجت المؤسسات إلى استخدام إطارات عمل نموذج التعلم الآلي المتعددة في نفس الوقت، فإنها لا تزال بحاجة إلى إكمال الكثير من العمل الهندسي بنفسها.
ولحل هذه المشكلة، قامت Salesforce وOracle بتطوير أدوات يمكنها ربط أطر عمل نماذج التعلم الآلي مفتوحة المصدر هذه في تطبيقات مختلفة.
في السابق، على الرغم من وجود حلول للمشاكل المذكورة أعلاه في السوق، مثل إنشاء واجهات برمجة تطبيقات مترابطة، مثل Python-JSON API، إلا أن هذا الحل من شأنه أن يفقد أداء إطار عمل نموذج التعلم الآلي أثناء تحقيق الالتحام.
حتى لو نجح نموذج التعلم الآلي في حل مشكلة الالتحام مؤقتًا من خلال واجهة برمجة التطبيقات، فلا تزال المؤسسات بحاجة إلى إنشاء خادم نموذجي مخصص إذا كانت ترغب في استخدامه تجاريًا. إن إنشاء خادم ليس مكلفًا فحسب، بل إنه معقد للغاية أيضًا. على سبيل المثال، قد يستغرق إنشاء إصدار GPU من TensorFlow-service عدة أيام.
لذلك، فإن المشاكل الرئيسية التي تعيق حاليًا الاستخدام الواسع النطاق لأطر عمل نموذج التعلم الآلي هي الافتقار إلى واجهات برمجة التطبيقات الموحدة والعتبة العالية لبناء خوادم النماذج.
ونتيجة لذلك، ظهرت أطر عمل يمكنها ربط نماذج التعلم الآلي هذه في تطبيقات مختلفة. TransmogrifAI: إطار عمل التعلم الآلي في السحابة TransmogrifAI هو إطار عمل للتعلم الآلي يعتمد على محرك Apache Spark الذي يمكنه إجراء هندسة الميزات واختيار الميزات وتدريب النموذج. يمكنه أيضًا دمج نماذج التعلم الآلي الموجودة لمطابقة نموذج التعلم الآلي الأكثر فعالية من حيث التكلفة لأي تطبيق، دون الحاجة إلى قيام المؤسسات بإنشاء خادم نموذج منفصل.
تم تطوير الإطار بواسطة Salesforce. هذه الشركة المخضرمة في مجال خدمات المؤسسات غير راضية عن الوضع الراهن وسرعان ما لحقت باتجاه الذكاء الاصطناعي.
في الآونة الأخيرة، قاموا بإصدار TransmogrifAI مفتوح المصدر.
وتُعد منصة الذكاء الاصطناعي Einstein التي أنشأتها الشركة واحدة من أكبر مشاريع التعلم الآلي في الصناعة، مع خوارزميات التعلم الآلي المتقدمة، ومعالجة اللغة الطبيعية، وقدرات التعدين الذكي للبيانات. تتمكن المنصة الآن من الاتصال بمعظم نماذج التعلم الآلي الموجودة في السوق وتبسيطها.
ما يمكّن أينشتاين من القيام بكل هذا هو TransmogrifAI.
يعتمد TransmogrifAI على مبادئ AutoML لتبسيط عملية تشغيل التعلم الآلي وتحسين كفاءة المطور. يتمتع TransmogrifAI بأربعة مبادئ أساسية: الوحدات النمطية، وسلامة التجميع، والشفافية، والأتمتة.
لقد تم تحويل هذه المبادئ الأربعة إلى نموذج برمجة بسيط، ولم يعد المهندسون بحاجة إلا إلى كتابة بضعة أسطر من التعليمات البرمجية لإكمال المهام مثل معالجة البيانات، وهندسة الميزات، واختيار النموذج. جراف بايب يمكن لـ GraphPipe تقديم نماذج التعلم الآلي المصممة باستخدام أطر عمل شائعة مثل TensorFlow وMXNet وCaffe 2 وPyTorch في السحابة.
الهدف هو خفض عتبة استخدام نماذج التعلم الآلي بحيث يمكن استخدام نماذج الذكاء الاصطناعي في تطبيقات الهاتف المحمول وأجهزة إنترنت الأشياء والويب.
إنه بروتوكول شبكة فعال يبسط ويوحد نقل بيانات التعلم الآلي بين العمليات البعيدة، مما يسمح للمستخدمين باختيار نماذج التعلم الآلي المناسبة بشكل مرن ضمن الإطار الحالي. يعني هذا أن المطورين ليسوا مضطرين إلى إنشاء واجهات برمجة تطبيقات خصيصًا للاتصال بنماذج الذكاء الاصطناعي، ولا يتعين عليهم أيضًا عناء البحث عن إطار عمل التعلم الآلي الأفضل لإنشاء نماذج الذكاء الاصطناعي.
بالإضافة إلى ذلك، أطلقت GraphPipe سلسلة من الأدوات مفتوحة المصدر لمطوري الذكاء الاصطناعي للأطر الشائعة مثل TensorFlow.
حاليًا، يتوفر TransmogrifAI وGraphPipe مجانًا على GitHub.موسوعة سوبر نيرو
هندسة TransmogrifAI:
https://www.colabug.com/4152476.htmlالتعلم الآلي - معالجة الميزات:https://blog.csdn.net/kanbuqinghuanyizhang/article/details/78993386
تقديم GraphPipe:
https://blogs.oracle.com/developers/introducing-graphpipeOracle Graphpipe مفتوح المصدر:
Salesforce مفتوح المصدر TransmogrifAI:
ميزة التفكير: