Il 14 dicembre, 2018, IBM ha rilasciato NeuNetS, una capacità fondamentalmente nuova che affronta il divario di competenze per lo sviluppo dei più recenti modelli di intelligenza artificiale per un'ampia gamma di domini aziendali. NeuNetS utilizza l'intelligenza artificiale per sintetizzare automaticamente modelli di reti neurali profonde più velocemente e più facilmente che mai, aumentare l'adozione dell'IA da parte di aziende e PMI. Automatizzando completamente lo sviluppo e l'implementazione del modello di intelligenza artificiale, NeuNetS consente agli utenti non esperti di creare reti neurali per attività e set di dati specifici in una frazione del tempo necessario oggi, senza sacrificare la precisione.

La necessità di automazione

L'intelligenza artificiale sta cambiando il modo in cui le aziende lavorano e innovano. Le reti neurali artificiali sono probabilmente lo strumento più potente attualmente disponibile per i data scientist. Però, mentre solo una piccola parte dei data scientist ha le competenze e l'esperienza necessarie per creare da zero una rete neurale ad alte prestazioni, allo stesso tempo la domanda supera di gran lunga l'offerta. Di conseguenza, la maggior parte delle aziende fatica a raggiungere rapidamente ed efficacemente una nuova rete neurale progettata su misura per l'architettura per soddisfare le esigenze delle proprie applicazioni particolari, anche in fase di proof-of-concept. Così, le tecnologie che colmano questo divario di competenze progettando automaticamente l'architettura delle reti neurali per un determinato set di dati stanno acquistando sempre più importanza. Il motore NeuNetS porta l'intelligenza artificiale in questa pipeline per accelerare i risultati. L'utilizzo dell'intelligenza artificiale per lo sviluppo di modelli di intelligenza artificiale porta un nuovo e necessario grado di scalabilità allo sviluppo delle tecnologie di intelligenza artificiale.

Sotto il cofano di NeuNetS

NeuNetS viene eseguito su un ambiente completamente containerizzato distribuito su IBM Cloud con Kubernetes. L'architettura è progettata per ridurre al minimo l'interazione umana, automatizzare il carico di lavoro degli utenti, e migliorare rispetto all'utilizzo. Gli utenti non devono scrivere codice o avere esperienza con i framework di deep learning esistenti:tutto è automatizzato, dall'acquisizione e dalla pre-elaborazione del set di dati, alla formazione sulla ricerca dell'architettura e alla distribuzione del modello. Poiché il campo dell'automazione dell'intelligenza artificiale si sta muovendo a un ritmo veloce, il sistema deve essere in grado di adottare gli approcci più recenti con un impatto minimo sul servizio in esecuzione. Come tale, abbiamo progettato il framework NeuNetS per essere flessibile e modulare, in modo che nuovi potenti algoritmi possano essere inclusi in qualsiasi momento. NeuNetS sfrutta le risorse IBM esistenti, come DLaaS, HPO, e WML. I modelli Neural Networks sono sintetizzati sulle GPU NVIDIA Tesla V100 di ultima generazione.

Tecnologia di ricerca all'avanguardia

Gli algoritmi NeuNetS sono progettati per creare nuovi modelli di rete neurale senza riutilizzare modelli pre-addestrati. Questo ci permette di esplorare un ampio spazio di configurazioni dell'architettura di rete e allo stesso tempo mettere a punto il modello per il dataset specifico fornito dall'utente.

Il portafoglio di algoritmi NeuNetS include versioni avanzate di lavori pubblicati di recente, come TAPAS [3], NCEvolve [4], e HDMS [5], così come un motore ottimizzatore a grana fine. Questi algoritmi fanno un passo avanti rispetto allo stato dell'arte in letteratura e nella pratica, affrontare problemi fondamentali come la generalità del set di dati e la scalabilità delle prestazioni. TAPAS è un sintetizzatore di rete neurale estremamente veloce, avvicinarsi agli approcci di trasferimento-apprendimento facendo affidamento su meccanismi pre-generati di verità di base e di previsione intelligente. NCEvolve sintetizza reti ad alte prestazioni, riducendo al minimo la quantità di tempo di formazione e le esigenze di risorse. HDMS combina una versione migliorata dell'iperbanda con l'apprendimento per rinforzo per sintetizzare reti su misura per i set di dati meno comuni. Ultimo, ma non per importanza, il nostro motore di sintesi a grana fine utilizza un algoritmo evolutivo per la creazione di filtri di convoluzione personalizzati, portando a una messa a punto di basso livello dell'architettura neurale.

Il futuro di NeuNetS

Basato su più algoritmi di ottimizzazione e un'architettura modulare, NeuNetS può ospitare un'ampia gamma di scenari di sintesi di modelli. Un passo successivo è consentire agli utenti non solo di aggiornare i dati, ma anche decidere quanto tempo e quante risorse destinare alla sintesi del modello, nonché opzionalmente la dimensione massima del modello, e la piattaforma di distribuzione di destinazione. A questo proposito, i carichi di lavoro dell'analisi delle serie temporali e IoT giocheranno un ruolo importante. Per consentire agli utenti di fare un uso efficace dei modelli sintetizzati, stiamo creando funzionalità di visualizzazione innovative per confrontare le caratteristiche chiave del modello, tra cui prestazioni, dimensione e tipo. Per continuare ad assistere gli utenti una volta implementato un modello e rafforzare la loro fiducia nell'IA, stiamo lavorando su tecniche che migliorano la visibilità della struttura e del comportamento del modello durante il ciclo di vita dell'IA.

Prova subito NeuNetS

NeuNetS beta è disponibile oggi come parte del prodotto AI OpenScale in Watson Studio, su IBM Cloud. Questa prima versione offre la sintesi del modello per la classificazione di immagini e testo, con prestazioni simili a quelle delle reti neurali realizzate a mano. I carichi di lavoro visivi sono stati oggetto di intense ricerche, sviluppo, e le competizioni negli ultimi dieci anni e rappresentano quindi un punto di riferimento difficile. In contrasto, i modelli ad alta precisione per il testo non sono oggi molto diffusi, e NeuNetS aiuterà gli utenti non esperti a trarre profitto dalla più recente tecnologia disponibile in questo dominio.

Puoi accedere a questo link:dataplatform.cloud.ibm.com/ml/neunets .

Questa storia è stata ripubblicata per gentile concessione di IBM Research. Leggi la storia originale qui.