Oggi, aziende come Google, Facebook e Microsoft hanno dominato gli strumenti e i framework di deep learning utilizzati dai ricercatori di intelligenza artificiale a livello globale. Molte delle loro librerie open source stanno guadagnando popolarità su GitHub, che aiuta gli sviluppatori di IA in erba in tutto il mondo a creare modelli di apprendimento automatico flessibili e scalabili.
Dal chatbot conversazionale, alle auto a guida autonoma, alle previsioni del tempo e ai sistemi di raccomandazione, gli sviluppatori di intelligenza artificiale stanno sperimentando varie architetture di reti neurali, iperparametri e altre funzionalità per adattarsi ai vincoli hardware delle piattaforme edge. Le possibilità sono infinite. Alcuni dei framework di deep learning più diffusi includono TensorFlow di Google e Caffe2 di Facebook , PyTorch , Torchcraft AI e Hydra , ecc.
Secondo Statista , le entrate globali delle operazioni di intelligenza artificiale dovrebbero raggiungere i 10,8 miliardi di dollari entro il 2023 e le dimensioni del mercato dell’elaborazione del linguaggio naturale (NLP) a livello globale dovrebbero raggiungere i 43,3 miliardi di dollari entro il 2025. Con l’aumento dell’adozione dell’IA tra le aziende, la necessità di le librerie e l’architettura open source aumenteranno solo nei prossimi mesi.
Avanzando nell’intelligenza artificiale, Facebook AI Research (FAIR) sta attualmente guidando la corsa all’IA con il lancio di strumenti tecnologici, librerie e framework all’avanguardia per rafforzare l’apprendimento automatico e le applicazioni di intelligenza artificiale in tutto il mondo.
Ecco alcuni degli ultimi strumenti, librerie e architetture open source sviluppati da Facebook:
1 PyTorch
PyTorch è il framework di deep learning più utilizzato, oltre a Caffe2 e Hydra, che aiuta i ricercatori a costruire modelli flessibili di machine learning.
PyTorch fornisce un pacchetto Python per funzionalità di alto livello come il calcolo del tensore (NumPy) con una forte accelerazione GPU e TorchScript per una facile transizione tra la modalità desiderosa e la modalità grafico. La sua ultima versione offre esecuzione basata su grafici, formazione distribuita, distribuzione mobile e altro ancora.
2 Flashlight
Flashlight è una libreria di machine learning open source che consente agli utenti di eseguire applicazioni AI/ML utilizzando l’API C++ . Poiché supporta la ricerca in C++, Flashlight non ha bisogno di figure o collegamenti esterni per eseguire attività come threading, mappatura della memoria o interoperabilità con hardware di basso livello. Così, rendendo l’integrazione del codice veloce, diretta e diretta.
3 Opacus
Opacus è una libreria open source ad alta velocità per l’addestramento di modelli PyTorch con privacy differenziale (DP). Si dice che la libreria sia più scalabile rispetto ai metodi esistenti. Supporta la formazione con modifiche minime al codice e ha un impatto minimo sulle prestazioni della formazione. Consente inoltre ai ricercatori di tenere traccia del budget per la privacy speso in un dato momento.
4 PyTorch3D
PyTorch3D è una libreria altamente modulare e ottimizzata che offre componenti efficienti e riutilizzabili per la ricerca sulla visione artificiale 3D con il framework PyTorch . È progettato per integrarsi senza problemi con i metodi di deep learning per la previsione e la manipolazione dei dati 3D. Di conseguenza, la libreria può essere implementata utilizzando i tensori PyTorch, gestire mini-batch di dati eterogenei e utilizzare GPU per l’accelerazione.
5 Detectron2
Detectron2 è una libreria di nuova generazione che fornisce algoritmi di rilevamento e segmentazione. È una fusione di Detectron e maskrcnn-benchmark . Attualmente, supporta diversi lavori e applicazioni di ricerca sulla visione artificiale. Il rilevamento può essere utilizzato anche su Mask R-CNN, RetinaNet, Faster R-CNN, RPN, TensorMask.
6 Detectron
Detectron è un’architettura software open source che implementa algoritmi di rilevamento di oggetti come Mask R-CNN . Il software è stato scritto in Python e alimentato dal framework di deep learning Caffe2 .
Detectron ha attivato vari progetti di ricerca su Facebook, tra cui Reti piramidali di funzionalità per il rilevamento di oggetti , Mask R-CNN , reti neurali non locali, rilevamento e riconoscimento delle interazioni uomo-oggetto, apprendimento a segmentare tutto, distillazione dei dati: verso l’apprendimento omni-supervisionato , perdita focale per il rilevamento di oggetti densi, DensePose: stima della posa umana densa in natura e altri .
7 Prophet
Prophet è un’architettura open source rilasciata dal core data science team di Facebook . Si tratta di una procedura per la previsione di dati di serie temporali basata su un modello additivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera, oltre agli effetti delle vacanze. Il modello funziona al meglio con i dati di serie temporali, che hanno diverse stagioni di dati storici come record meteorologici, indicatori economici e metriche di evoluzione della salute del paziente.
Il codice è disponibile su CRAN e PyPI .
8 Classy Vision
Classy Vision è un nuovo framework end-to-end basato su PyTorch per l’addestramento su larga scala di modelli di classificazione di immagini e video. A differenza di altre librerie di computer vision (CV), Classy Vision afferma di offrire flessibilità ai ricercatori.
In genere, la maggior parte delle librerie di CV porta a sforzi duplicati e richiede agli utenti di migrare la ricerca tra i framework e di riapprendere le minuzie di una formazione distribuita efficiente e del caricamento dei dati. D’altra parte, il framework CV basato su PyTorch di Facebook ha affermato di offrire una soluzione migliore per la formazione su larga scala e l’implementazione nella produzione.
9 BoTorch:
BoTorch è una libreria per l’ottimizzazione bayesiana basata sul framework PyTorch. L’ottimizzazione bayesiana è una strategia di progettazione di sequenze per macchine che non assumono alcuna forma funzionale.
BoTorch fornisce senza soluzione di continuità un’interfaccia modulare e facilmente estensibile per la composizione di primitive di ottimizzazione bayesiana come modelli probabilistici, funzioni di acquisizione e ottimizzatori e altri. Oltre a ciò, consente anche una perfetta integrazione con architetture profonde o convoluzionali in PyTorch.
10 FastText
FastText è una libreria open source per un’efficiente classificazione del testo e apprendimento della rappresentazione. Funziona su hardware standard e generico. I modelli di machine learning possono essere ulteriormente ridotti anche sui dispositivi mobili.
11 Tensor Comprehensions (TC)
TC è una libreria C++ completamente funzionale che sintetizza automaticamente kernel di machine learning ad alte prestazioni utilizzando Halide , ISL , NVRTC o LLVM. La libreria può essere facilmente integrata con Caffe2 e PyTorch ed è stata progettata per essere altamente portatile e indipendente dal framework di apprendimento automatico . Inoltre, richiede una semplice libreria di tensori con capacità di allocazione della memoria, offload e sincronizzazione.
DI AMIT RAJA NAIK da Analyticsindiamag.com
