Op 14 dec. 2018, IBM heeft NeuNetS uitgebracht, een fundamenteel nieuwe mogelijkheid die de vaardigheidskloof aanpakt voor de ontwikkeling van de nieuwste AI-modellen voor een breed scala aan bedrijfsdomeinen. NeuNetS gebruikt AI om sneller en gemakkelijker dan ooit tevoren diepe neurale netwerkmodellen automatisch te synthetiseren. het opschalen van de adoptie van AI door bedrijven en het MKB. Door de ontwikkeling en implementatie van AI-modellen volledig te automatiseren, Met NeuNetS kunnen niet-deskundige gebruikers neurale netwerken bouwen voor specifieke taken en datasets in een fractie van de tijd die het tegenwoordig kost, zonder in te boeten aan nauwkeurigheid.

De behoefte aan automatisering

AI verandert de manier waarop bedrijven werken en innoveren. Kunstmatige neurale netwerken zijn misschien wel de krachtigste tool die momenteel beschikbaar is voor datawetenschappers. Echter, terwijl slechts een klein deel van de datawetenschappers de vaardigheden en ervaring heeft die nodig zijn om vanaf het begin een krachtig neuraal netwerk te creëren, tegelijkertijd is de vraag veel groter dan het aanbod. Als resultaat, de meeste ondernemingen worstelen om snel en effectief een nieuw neuraal netwerk te krijgen dat architectonisch op maat is ontworpen om te voldoen aan de behoeften van hun specifieke toepassingen, zelfs in de proof-of-concept-fase. Dus, technologieën die deze vaardigheidskloof overbruggen door automatisch de architectuur van neurale netwerken voor een bepaalde dataset te ontwerpen, worden steeds belangrijker. De NeuNetS-engine brengt AI in deze pijplijn om resultaten te versnellen. Het gebruik van AI voor de ontwikkeling van AI-modellen brengt een nieuwe en broodnodige mate van schaalbaarheid voor de ontwikkeling van AI-technologieën.

Onder de motorkap van NeuNetS

NeuNetS draait op een volledig gecontaineriseerde omgeving die is geïmplementeerd op de IBM Cloud met Kubernetes. De architectuur is ontworpen om menselijke interactie te minimaliseren, de werkbelasting van de gebruiker automatiseren, en verbeteren over het gebruik. Gebruikers hoeven geen code te schrijven of ervaring te hebben met bestaande deep learning-frameworks:alles is geautomatiseerd, van de dataset opname en pre-processing, tot de architectuurzoektraining en modelimplementatie. Aangezien het gebied van automatisering van AI in een snel tempo verandert, het systeem moet in staat zijn om de nieuwste benaderingen aan te kunnen met minimale impact op de lopende service. Als zodanig, we hebben het NeuNetS-framework zo ontworpen dat het flexibel en modulair is, zodat nieuwe krachtige algoritmen op elk moment kunnen worden opgenomen. NeuNetS maakt gebruik van bestaande IBM-middelen, zoals DLaaS, HPO, en WML. Neural Networks-modellen worden gesynthetiseerd op de nieuwste generatie NVIDIA Tesla V100 GPU's.

Baanbrekende onderzoekstechnologie

NeuNetS-algoritmen zijn ontworpen om nieuwe neurale netwerkmodellen te creëren zonder vooraf getrainde modellen opnieuw te gebruiken. Dit stelt ons in staat om een ​​breed scala aan netwerkarchitectuurconfiguraties te verkennen en tegelijkertijd het model te verfijnen voor de specifieke dataset die door de gebruiker wordt aangeleverd.

Het NeuNetS-algoritmeportfolio omvat verbeterde versies van recent gepubliceerde werken, zoals TAPAS [3], NVUvolve [4], en HDMS [5], evenals een fijnkorrelige optimalisatiemotor. Deze algoritmen maken een stap voorwaarts ten opzichte van de state-of-the-art in de literatuur en in de praktijk, het aanpakken van fundamentele problemen zoals algemeenheid van datasets en schaalbaarheid van prestaties. TAPAS is een extreem snelle neurale netwerksynthesizer, het uitvoeren van benaderingen van transfer-learning door te vertrouwen op vooraf gegenereerde grondwaarheid en slimme voorspellingsmechanismen. NCEvolve synthetiseert topperformante netwerken, het minimaliseren van de hoeveelheid trainingstijd en benodigde middelen. HDMS combineert een verbeterde versie van hyperband met versterkingsleren om netwerken te synthetiseren die zijn afgestemd op de minder gebruikelijke datasets. Tenslotte, onze fijnkorrelige synthese-engine gebruikt een evolutionair algoritme voor het bouwen van aangepaste convolutiefilters, wat leidt tot fine-tuning van de neurale architectuur op laag niveau.

Toekomst van NeuNetS

Gebaseerd op meerdere optimalisatie-algoritmen en een modulaire architectuur, NeuNetS is geschikt voor een breed scala aan scenario's voor modelsynthese. Een volgende stap is dat gebruikers niet alleen gegevens kunnen bijwerken, maar ook om te beslissen hoeveel tijd en hoeveel middelen aan de modelsynthese moeten worden toegewezen, evenals optioneel de maximale grootte van het model, en het doelimplementatieplatform. In dit opzicht zullen IoT- en tijdreeksanalyseworkloads een grote rol spelen. Om gebruikers in staat te stellen effectief gebruik te maken van de gesynthetiseerde modellen, we creëren innovatieve visualisatiemogelijkheden voor het vergelijken van belangrijke modelkenmerken, waaronder prestaties, maat en soort. Om gebruikers te blijven helpen zodra een model is geïmplementeerd en hun vertrouwen in AI te vergroten, we werken aan technieken die de zichtbaarheid van de structuur en het gedrag van het model gedurende de AI-levenscyclus verbeteren.

Probeer NeuNetS nu

NeuNetS beta is vandaag beschikbaar als onderdeel van AI OpenScale-product in Watson Studio, op de IBM-cloud. Deze eerste release biedt modelsynthese voor beeld- en tekstclassificatie, met prestaties vergelijkbaar met die van handgemaakte neurale netwerken. Visuele workloads zijn het onderwerp geweest van intensief onderzoek, ontwikkeling, en competities van de afgelopen tien jaar en vormen daarmee een harde maatstaf. In tegenstelling tot, hoge nauwkeurigheidsmodellen voor tekst zijn tegenwoordig niet wijdverbreid, en NeuNetS zullen niet-deskundige gebruikers helpen profiteren van de nieuwste technologie die beschikbaar is op dit gebied.

U kunt toegang krijgen via deze link:dataplatform.cloud.ibm.com/ml/neunets .

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.