Linux中國

幫助在雲端部署 AI 和 ML 應用程序的平台

人工智慧(AI)和機器學習(ML)正在影響當今幾乎每個行業。本文重點介紹了這些技術在我們日常生活中的各種使用方式,以及一些開源雲平台如何實現其部署。

人工智慧 artificial intelligence AI)的目標是構建能夠模仿人類認知的機器和自動化系統。在全球範圍內, AI 正在以各種方式改變著社會、政治和經濟。 AI 應用的例子包括 谷歌幫助 Google Help 、Siri、Alexa 和特斯拉等自動駕駛汽車。

如今, AI 正被廣泛使用,以有效的方式解決各行各業的難題。它被用於醫療保健行業,以做出比人類更準確、更快速的診斷。醫生可以使用 AI 來診斷疾病,並在患者病情惡化時得到提醒。

數據安全對每個企業都至關重要,網路攻擊的數量也在不斷增加。使用 AI ,可以提高數據的安全性。這方面的一個例子是集成智能機器人來識別軟體錯誤和網路攻擊。

Twitter、WhatsApp、Facebook 和 Snapchat 只是使用 AI 演算法存儲和管理數十億個人資料的社交媒體平台中的一小部分。 AI 可以整理和篩選大量數據,以找到最新趨勢、標籤和各種各樣人的需求。

Figure 1: Key applications of machine learning

旅遊業越來越依賴 AI ,因為後者可以幫助完成各種與旅行相關的任務,包括為消費者預訂酒店、航班和最佳路線。為了提供更好、更快的客戶服務,由 AI 驅動的聊天機器人正被用於旅遊業。

工具/平台 鏈接
Streamlit https://github.com/streamlit/streamlit
TensorFlow https://www.tensorflow.org/
PyTorch https://pytorch.org/
scikit-learn https://scikit-learn.org/
Apache Spark https://spark.apache.org/
Torch http://torch.ch/
Hugging Face https://huggingface.co/
Keras https://keras.io/
TensorFlowJS https://www.tensorflow.org/js
KNIME https://www.knime.com/
Apache Mahout https://mahout.apache.org/
Accord http://accord-framework.net/
Shogun http://shogun-toolbox.org/
RapidMiner https://rapidminer.com/
Blocks https://github.com/mila-iqia/blocks
TuriCreate https://github.com/apple/turicreate
Dopamine https://github.com/google/dopamine
FlairNLP https://github.com/flairNLP/flair

表 1: ML 的工具和框架

不同領域的機器學習

讓軟體應用程序和小工具自行響應和發展的所有技術和工具都稱為 機器學習 machine learning ML)。多虧了 ML 技術, AI 可以在沒有真正被明確編程來執行所需操作的情況下進行學習。ML 演算法不依賴於預定義的計算機指令,而是從樣本輸入中學習一個模式,然後完全基於學習到的模式來預測和執行任務。如果沒有嚴格的演算法可供選擇, ML 可以成為救命稻草。它將通過分析以前的處理方式來選擇新處理方式,然後將其付諸實施。ML 為各種行業的技術進步和以前無法想像的技術掃清了道路。如今,它被用於各種尖端技術 — 從預測演算法到互聯網電視直播。

一個值得注意的 ML 和 AI 技術是圖像識別,它是一種對數字圖像中的特徵或項進行分類和檢測的方法。分類和人臉識別是使用這種方法完成的。

Figure 2: Streamlit cloud for machine learning

將 ML 用於推薦系統是其最廣泛使用和知名的應用之一。在當今的電子商務世界中,產品推薦是一種利用強大的 ML 技術的代表性工具。網站使用 AI 和 ML 來跟蹤過去的購買、搜索趨勢和購物車歷史,然後根據這些數據生成產品推薦。

在醫療保健行業中使用 ML 演算法引起了很多興趣。通過使用 ML 演算法,可以跨多個醫院部門預測急診室等待時間。員工輪班的詳細信息、患者數據以及科室討論和急診室布局的記錄都用於幫助創建演算法。 ML 演算法可用於檢測疾病、計劃治療和預測。

用於 ML 的雲平台的主要特點

  • 演算法或特徵提取
  • 關聯規則挖掘
  • 基於大數據的預測分析
  • 分類、回歸和聚類
  • 數據載入和轉換
  • 數據準備、數據預處理和可視化
  • 降維
  • 分散式線性代數
  • 假設檢驗和核方法
  • 處理圖像、音頻、信號和視覺數據集
  • 模型選擇和優化模塊
  • 預處理和數據流編程
  • 推薦系統
  • 通過插件支持文本挖掘和圖像挖掘
  • 可視化和繪圖

基於雲的 AI 和 ML 應用程序部署

AI 和 ML 的應用可以部署在雲平台上。如今,許多雲服務提供商使程序員能夠構建模型以在其領域內進行有效的決策。

這些基於雲的平台與預先訓練的 ML 和 深度學習 deep learning (DL)模型集成在一起,無需任何編碼或用少量的腳本即可在這些模型上部署應用程序。

Figure 3: Categories of ML deployments in Streamlit

Streamlit

Streamlit 讓數據科學家和 ML 專家能夠訪問各種 ML 模型。它是開源的並且與雲部署兼容。ML 模型可以在幾分鐘內準備好與數據集一起使用

Streamlit 提供一系列 ML 模型和多個類別的源代碼,包括自然語言處理、地理、教育、計算機視覺等。

Figure 4: Hugging Face for machine learning

Hugging Face

這是另一個平台,為各種類別的 ML 和 AI 提供預先訓練的模型和架構。許多企業巨頭都在使用這個平台,包括 Facebook AI、微軟、谷歌 AI、亞馬遜網路服務和 Grammarly。

Hugging Face 中提供了許多預訓練和部署就緒的模型,用於不同的應用程序,包括自然語言處理和計算機視覺。

使用 Hugging Face 中的 ML 模型可以執行以下任務:

  • 音頻到音頻處理
  • 自動語音識別
  • 計算機視覺
  • 填充蒙版
  • 圖像分類
  • 圖像分割
  • 物體檢測
  • 問題應答
  • 句子相似度
  • 總結
  • 文本分類
  • 文本生成
  • 文本到語音翻譯
  • 令牌分類
  • 翻譯分類

Hugging Face 中可用的問題解決器經過優化且有效,有助於快速部署模型(圖 5)。

Figure 5: Problem solvers and models in Hugging Face

這些基於雲的平台對多個領域的研究人員、從業者和數據科學家非常有用,並簡化了性能良好的實際應用程序的開發。

via: https://www.opensourceforu.com/2022/09/platforms-that-help-deploy-ai-and-ml-applications-on-the-cloud/

作者:Dr Kumar Gaurav 選題:lkxed 譯者:Misite Bao 校對:wxy

本文由 LCTT 原創編譯,Linux 中國 榮譽推出


本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive

對這篇文章感覺如何?

太棒了
0
不錯
0
愛死了
0
不太好
0
感覺很糟
0
雨落清風。心向陽

    You may also like

    Leave a reply

    您的電子郵箱地址不會被公開。 必填項已用 * 標註

    此站點使用Akismet來減少垃圾評論。了解我們如何處理您的評論數據

    More in:Linux中國