精品！10个构建现代应用程序的AI平台 _AI平台

本文概述

亚马逊AI服务
TensorFlow
Google AI服务
H2O
petuum
Polyaxon
DataRobot
NeuralDesigner
Prevision.io
PredictionIO

【精品！10个构建现代应用程序的AI平台】现在我们知道终结者并没有吸引我们, 是时候与人工智能交朋友并从中受益！
长期以来, 人工智能领域及其最著名的子学科是机器学习, 周围都是神秘的光环。宣传机器不断涌现, 预示着超级智能, 超级独立和超级邪恶机器的兴起, 使许多机器陷入绝望(包括我自己)。
今天, 对于所有的噪音和烟雾, 我们有什么表现呢？ AI技术远非完美, 令人尴尬的错误, 而且有限的, 发生故障的机器人几乎被武力变成了公民。哎呀, 我们甚至还没有合适的语言翻译算法。
如果今天仍然有人坚持说世界末日临近, 这就是我的反应：

文章图片
那么, AI, ML和所有这些流行语(如果不是人类的终结)是什么？
好了, 这些是对计算机进行编程以解决与分类和预测有关的问题的新方法。猜猜是什么, 我们终于有了许多人工智能服务, 你可以立即在你的业务应用程序中使用它们并获得巨大的收益。
如今, 人工智能平台可以为企业做什么？
好问题！
人工智能在其应用中是如此通用(至少在理论上如此), 以至于无法指出其开发目的。这就像问一个电子表格是为什么开发的以及可以做什么工作。当然, 它是为会计而开发的, 但是今天它已经远远超出了这一责任。会计不是唯一的功能-人们将其用作项目管理工具, 待办事项列表, 数据库以及其他功能。
AI也是如此。

文章图片
粗略地说, AI对于定义松散且依赖于经验学习的任务很有用。是的, 这也是人类所做的, 但是人工智能具有优势, 因为它可以立即处理大量数据并更快, 更快地得出结论。因此, 人工智能的一些典型应用是：

检测照片, 视频等中的脸部
对图像进行分类和标记, 例如, 用于家长咨询
语音到文本的转换
媒体中的对象检测(例如汽车, 女人等)
股价走势预测
恐怖主义资金检测(每天数百万笔交易中)
推荐系统(购物, 音乐, 朋友等)
验证码破解
垃圾邮件过滤
网络入侵检测

我可以继续下去, 甚至可能用完所有页面(比方说), 但是我想你现在就明白了。这些都是人类通过传统计算手段努力解决的问题的例子。但是, 这些功能非常重要, 因为它们在业务和现实世界中都有巨大的需求。
因此, 事不宜迟, 让我们从我们的顶级AI平台列表开始, 看看它们必须提供什么。
亚马逊AI服务正如亚马逊正在迅速使公司倒闭一样, AWS作为一个平台也如此占主导地位, 几乎没有其他想法。亚马逊AI服务也是如此, 它充满了非常有用的AI服务。

文章图片
这是AWS提供的一些令人兴奋的服务。
Amazon Comprehend：帮助你充分利用自己拥有的大量文本, 非结构化数据。一种用例是挖掘现有的客户支持聊天记录, 并弄清一段时间以来的满意度, 客户主要关注的是什么, 使用的关键字最多等。
Amazon Forecast：零设置服务, 用于使用你现有的时间序列数据并将其转变为对未来的准确预测。如果你想知道什么是时序数据, 请看一下我最近写的这篇文章(在文章结尾处寻找一个名为Timescale的数据库)。
Amazon Lex：在你的应用程序中构建对话界面(文本和/或视觉)。幕后运行的是Amazon训练有素的机器学习模型, 该模型可以解码意图并实时进行语音到文本的转换。
Amazon Personalize：简单, 无基础的服务, 可为你的客户或你自己创建建议！你可以为此服务输入电子商务数据或几乎任何内容, 并享受高度准确和有趣的建议。当然, 数据集越大, 建议就越好。
亚马逊拥有更多的人工智能服务, 你几乎可以整天浏览它们。不过, 我会全力推荐这项活动！ ????
注意：很难在AWS文档上同时找到所有这些服务的摘要, 但是如果你访问https://aws.amazon.com/machine-learning, 这些内容将在下拉列表中的” AI服务” 下列出。
TensorFlow TensorFlow是由Google Brain背后的团队创建的一个库(也是一个平台)。它是称为” 深度学习神经网络” 的ML子域的实现；也就是说, TensorFlow是Google致力于使用深度学习技术通过神经网络实现机器学习的方法。
现在, 这意味着TensorFlow当然不是使用神经网络的唯一方法-那里有很多库, 每个都有其优缺点。

文章图片
从广义上讲, TensorFlow允许你为许多不同的编程环境提供基本的机器学习功能。也就是说, 基本平台非常直观, 并且主要依靠图形和数据可视化来完成工作。因此, 即使你不是程序员, 也可以通过一些努力从TensorFlow中获得良好的结果。
从历史上看, TensorFlow旨在” 民主化” 机器学习。据我所知, 这是第一个使ML简单, 可视且可以访问此程度的平台。结果, 机器学习的使用激增, 人们能够轻松地训练模型。
TensorFlow最重要的卖点是Keras, 这是一个用于以编程方式有效地与神经网络一起工作的库。创建简单的全连接网络(感知器)非常简单：

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'))

当然, 还需要进行配置, 培训等, 但是它们也同样简单。
考虑到TensorFlow将ML带到JavaScript, 移动设备甚至是IoT解决方案中, 很难发现问题。然而, 在纯粹主义者的眼中, 它仍然是每个汤姆, 迪克和哈利都能使用的” 较小” 平台。因此, 准备好在升上技能阶梯并遇到更多” 开明” 灵魂时面对一些阻力。 ????
如果你是新手, 请查看此TensorFlow简介在线课程。
另请注意：对TensorFlow的一些批评提到它无法使用GPU, 这不再是事实。如今, TensorFlow不仅可以与GPU一起使用, 而且Google已经开发了其唯一的专用硬件, 称为TPU(TensorFlow处理单元), 可以作为云服务使用。
Google AI服务就像亚马逊的服务一样, 谷歌也有一套围绕人工智能的云服务。我不会列出所有服务, 因为它们与亚马逊的产品非常相似。以下是开发者感兴趣的内容的屏幕截图：

文章图片
大致来说, 你可以通过两种方式使用Google的AI服务。第一个方法是利用Google已经培训过的模型, 然后将其开始应用到你的产品中。第二个是所谓的AutoML服务, 该服务可使机器学习的多个中间阶段自动化, 从而帮助拥有较少ML专业知识的全栈开发人员轻松构建和训练模型。
H2O H2O中的” 2″ 应该是下标(我想是类似于H2O的化学式), 但是键入它很麻烦。我希望H2O背后的人们不要那么在意！
H2O是用于机器学习的开源平台, 被财富500强中的知名人士使用。

文章图片
其主要思想是使尖端的AI研究覆盖大众, 而不是让它掌握在财大气粗的公司手中。 H2O平台下提供了几种产品, 例如：

H2O：探索和使用机器学习的基础平台。
Sparkling Water：与Apache Spark的大型数据集正式集成。
H2O4GPU：H2O平台的GPU加速版本。

H2O还为企业量身定制解决方案, 其中包括：

无人驾驶AI：不, 无人驾驶AI与自动驾驶汽车无关！ ????它更多地来自Google的AutoML产品-大多数AI / ML阶段都是自动化的, 从而使开发工具变得更加简单快捷。
付费支持：作为企业, 你迫不及待要提出GitHub问题, 并希望很快得到解决。如果时间是金钱, H2O将为大型公司提供有偿支持和咨询。

petuum Petuum开发了Symphony平台, 该平台旨在不让我想到AI工作。换句话说, 如果你厌倦了编码和/或不想记住更多的库和输出格式, Symphony就像在阿尔卑斯山度假一样！

文章图片
尽管Symphony平台没有” 开放” 的功能, 但值得一试的功能包括：

拖放式用户界面
轻松构建交互式数据管道
大量的标准化和模块化构建块可创建更复杂的AI应用程序
感觉视觉方式不够强大的编程和API接口
使用GPU进行自动优化
分布式, 高度可扩展的平台
多源数据聚合

还有更多的功能真正使你感到进入壁垒已大大降低。强烈推荐！
Polyaxon 如今, 机器学习和AI的最大挑战不是找到好的库和算法(甚至是学习资源), 而是必须使用熟练的工程技术来应对庞然大物的系统和由此产生的高数据负载。
即使对于经验丰富的软件工程师, 这也是一个很大的问题。如果你也有这种感觉, Polyaxon值得一看。

文章图片
Polyaxon既不是库, 也不是框架。相反, 它是一种用于管理机器学习各个方面的端到端解决方案, 例如：

数据连接和流
硬件加速
容器化与编排
计划, 存储和安全性
流水线, 优化, 跟踪等
仪表板, API, 可视化等

它与图书馆和提供商无关, 因为它支持大量流行的(开放源代码和封闭源代码)解决方案。
当然, 你仍然必须在一定程度上处理部署和扩展。如果你甚至想逃脱, Polyaxon提供了PaaS解决方案, 可让你灵活地使用其基础架构。
DataRobot 简而言之, DataRobot是针对企业的重点机器学习解决方案。它始终可见, 旨在快速理解你的数据并将其用于具体的业务用途。

文章图片
该界面直观, 时尚, 可让非专家跟进并产生有意义的见解。

文章图片
DataRobot没有很多功能；相反, 它专注于传统的数据意义, 并在以下方面提供了坚如磐石的功能：

自动化机器学习
回归与分类
时间序列

通常, 这些都是你企业所需的全部。也就是说, 在大多数情况下, 你仅需要DataRobot。 ????
NeuralDesigner 在我们以易于使用, 功能强大的AI平台为主题的同时, NeuralDesigner特别值得一提。

文章图片
关于NeuralDesigner没什么可说的, 但是还有很多事情要做！鉴于神经网络已经或多或少地主导了现代机器学习方法, 因此使用仅专注于神经网络的平台是有意义的。没有太多选择, 也没有干扰-质量胜于数量。
NeuralDesigner在许多方面都表现出色：

无需编程。完全没有
无需复杂的接口构建。一切都以合理, 易于理解的, 有序的步骤进行布局。
特定于神经网络的最先进和精炼算法的集合。
CPU并行化和GPU加速可实现高性能。

值得一看吗？绝对！
Prevision.io Pervision.io是一个平台, 用于管理机器学习的各个方面, 从处理数据到大规模部署。

文章图片
PredictionIO 如果你是开发人员, 那么PredictionIO是你应该研究的非常有用的产品。 PredictionIO的核心是一个机器学习平台, 可以从你的应用程序(Web, 移动或其他)中获取数据并快速建立预测。

文章图片
不要被这个名字所迷惑-PredictionIO不仅用于预测, 而且支持全方位的机器学习。喜欢它的一些很酷的理由：

支持分类, 回归, 建议, NLP等。
构建以处理大数据设置中的大量工作负载。
几个急需的预制模板。
与Apache Spark, MLlib, HBase, Akka HTTP和Elasticsearch捆绑在一起, 可满足对强大, 现代应用程序的各种可能需求。
从批处理或实时模式的多个来源合并的数据摄取。
部署为典型的Web服务-易于使用和提供。

对于大多数网络项目, 我看不到PredictionIO的意义不大。继续尝试！
总结
今天, 不乏AI和ML框架或平台；当我开始研究本文时, 我不知所措。因此, 我试图将这个列表缩小到独特或有趣的列表。如果你认为我错过了重要的事情, 请告诉我。
Coursera获得了一些很棒的机器学习课程, 因此请检查你是否对学习感兴趣。
那么, 哪个平台最好？不幸的是, 没有明确的答案。这些服务大多数都与特定的技术堆栈或生态系统(主要是建造所谓的围墙花园)相关的一个原因。另一个更重要的原因是, 到目前为止, 人工智能和机器学习技术已经商品化, 并且正在争相以尽可能低的价格提供尽可能多的功能。任何供应商都负担不起不提供其他公司所提供的服务, 并且任何新产品都几乎在一夜之间就被竞争对手复制并提供了服务。
因此, 这一切都取决于你的堆栈和目标, 找到服务的直观程度, 你对服务背后的公司的看法等等。
但是无论如何, 不??言而喻, AI最终可以作为服务使用, 并且不使用它是极其不明智的。 ????