Google Cloud Entre En Chine via Capital Online ? AutoML Est-il Prêt À L'emploi ?
Par Super Neuro
Avant de pouvoir répondre à Google Search, j'ai reçu la nouvelle que Google Cloud allait entrer en Chine.
Serait-il possible d’utiliser AutoML de manière pratique ?Google Cloud arrive ?
Cet après-midi, le compte public officiel WeChat de Capital Online a été publié « Google Cloud entrera en Chine via Capital Online »nouvelles.
Depuis quelques mois, lorsque les dirigeants de Google se sont rendus fréquemment en Chine, ont créé une école d'intelligence artificielle et ont déclaré qu'ils n'avaient jamais abandonné le marché chinois, de nombreuses personnes attendent avec impatience le retour des produits liés à Google.
Bien que Capital Online ait supprimé l'article peu de temps après sa publication, il a déclaré en privé « Capital Online n'a qu'un accord d'agence à l'étranger, pas avec la Chine comme mentionné dans l'article. »
Cependant, le ton de cet article est affirmatif et la formulation est claire. Quant aux raisons de la suppression de l’article et de son rejet, elles méritent encore d’être méditées.
Bien qu'il ne soit pas certain que Google Cloud puisse entrer en Chine en douceur, et qu'il faille peut-être un certain temps pour qu'AutoML soit utilisé de manière pratique, il existe encore de nombreux autres services similaires.En plus d'AutoML ? Bien qu'il existe de nombreux cadres de modèles d'apprentissage automatique prêts à l'emploi qui peuvent être utilisés directement pour réduire le coût de création de modèles d'IA, de nombreuses entreprises ont également ouvert le code source de leurs propres outils d'apprentissage automatique.
Cependant, ces frameworks ne peuvent pas encore atteindre le même niveau qu'auparavant : il est difficile pour les frameworks d'être interopérables, et il n'existe actuellement aucune solution efficace permettant de connecter le framework ML à n'importe quelle application. Si les entreprises doivent utiliser plusieurs cadres de modèles ML en même temps, elles doivent encore effectuer elles-mêmes une grande partie du travail d’ingénierie.
Pour résoudre ce problème, Salesforce et Oracle ont développé des outils capables de connecter ces frameworks de modèles ML open source dans différentes applications.
Auparavant, bien qu'il existait sur le marché des solutions aux problèmes ci-dessus, telles que l'établissement d'API interconnectées, telles que l'API Python-JSON, cette solution perdrait les performances du framework de modèle ML tout en réalisant l'amarrage.
Même si le modèle ML résout temporairement le problème d'amarrage via l'API, les entreprises doivent toujours créer un serveur de modèle dédié si elles souhaitent l'utiliser à des fins commerciales. Construire un serveur est non seulement coûteux mais aussi assez compliqué. Par exemple, la création d’une version GPU du service TensorFlow peut prendre plusieurs jours.
Par conséquent, les principaux problèmes qui entravent actuellement l’utilisation généralisée des cadres de modèles ML sont le manque d’interfaces de programmation d’applications standardisées et le seuil élevé pour la création de serveurs de modèles.
En conséquence, des cadres capables de connecter ces modèles ML dans différentes applications ont émergé. TransmogrifAI : framework ML dans le cloud TransmogrifAI est un framework ML basé sur le moteur Apache Spark qui peut effectuer l'ingénierie des fonctionnalités, la sélection des fonctionnalités et la formation des modèles. Il peut également intégrer des modèles ML existants pour correspondre au modèle ML le plus rentable pour n'importe quelle application, sans obliger les entreprises à créer un serveur de modèles distinct.
Le framework a été développé par Salesforce. Cette société de services aux entreprises vétérans ne se contente pas du statu quo et a également rapidement rattrapé la tendance de l'IA.
Récemment, ils ont ouvert le code source de TransmogrifAI.
La plateforme d'IA Einstein construite par l'entreprise est l'un des plus grands projets d'apprentissage automatique du secteur, avec des algorithmes d'apprentissage automatique avancés, un traitement du langage naturel et des capacités d'exploration de données intelligentes. La plateforme peut désormais se connecter à la plupart des modèles ML du marché et les simplifier.
Ce qui permet à Einstein de faire tout cela, c'est TransmogrifAI.
TransmogrifAI s'appuie sur les principes d'AutoML pour simplifier le processus d'exploitation de l'apprentissage automatique et améliorer l'efficacité des développeurs. TransmogrifAI repose sur quatre principes fondamentaux : la modularité, la sécurité de la compilation, la transparence et l'automatisation.
Ces quatre principes ont été transformés en un modèle de programmation simple, et les ingénieurs n’ont besoin d’écrire que quelques lignes de code pour effectuer des tâches telles que la gestion des données, l’ingénierie des fonctionnalités et la sélection de modèles. GraphPipe GraphPipe peut servir des modèles d'apprentissage automatique créés avec des frameworks populaires tels que TensorFlow, MXNet, Caffe 2 et PyTorch dans le cloud.
L’objectif est d’abaisser le seuil d’utilisation des modèles ML afin que les modèles d’IA puissent être utilisés dans les applications mobiles, les appareils IoT et le Web.
Il s'agit d'un protocole réseau efficace qui simplifie et normalise la transmission de données d'apprentissage automatique entre les processus distants, permettant aux utilisateurs de choisir de manière flexible des modèles d'apprentissage automatique appropriés dans le cadre existant. Cela signifie que les développeurs n’ont pas besoin de créer des API spécifiquement pour se connecter aux modèles d’IA, ni de se soucier de rechercher quel framework ML est le meilleur pour créer des modèles d’IA.
De plus, GraphPipe a lancé une série d'outils open source pour les développeurs d'IA pour des frameworks populaires tels que TensorFlow.
Actuellement, TransmogrifAI et GraphPipe sont disponibles gratuitement sur GitHub.Super Neuro Encyclopédie
Architecture de TransmogrifAI:
https://www.colabug.com/4152476.htmlApprentissage automatique - Traitement des caractéristiques :https://blog.csdn.net/kanbuqinghuanyizhang/article/details/78993386
Présentation de GraphPipe :
https://blogs.oracle.com/developers/introducing-graphpipeOracle Open Source Graphpipe :
Salesforce ouvre les sources de TransmogrifAI :
Raisonnement des fonctionnalités :