NeuNetS:Automatisering af neurale netværksmodelsyntese til bredere anvendelse af AI

Den 14. december 2018, IBM udgav NeuNetS, en fundamentalt ny kapacitet, der adresserer kvalifikationskløften til udvikling af nyeste AI-modeller til en bred vifte af forretningsdomæner. NeuNetS bruger AI til automatisk at syntetisere dybe neurale netværksmodeller hurtigere og nemmere end nogensinde før, opskalering af anvendelsen af ​​kunstig intelligens i virksomheder og SMV'er. Ved at fuldautomatisere AI-modeludvikling og -implementering, NeuNetS giver ikke-ekspertbrugere mulighed for at bygge neurale netværk til specifikke opgaver og datasæt på en brøkdel af den tid, det tager i dag – uden at ofre nøjagtigheden.

Behovet for automatisering

AI ændrer den måde, virksomheder arbejder og innoverer på. Kunstige neurale netværk er uden tvivl det mest kraftfulde værktøj, der i øjeblikket er tilgængeligt for dataforskere. Imidlertid, mens kun en lille del af dataforskere har de færdigheder og erfaringer, der er nødvendige for at skabe et højtydende neuralt netværk fra bunden, samtidig overstiger efterspørgslen langt udbuddet. Som resultat, de fleste virksomheder kæmper for hurtigt og effektivt at komme til et nyt neuralt netværk, der er arkitektonisk specialdesignet til at opfylde behovene for deres særlige applikationer, selv på proof-of-concept-stadiet. Dermed, teknologier, der bygger bro over dette kvalifikationskløft ved automatisk at designe arkitekturen af ​​neurale netværk til et givet datasæt, får stadig større betydning. NeuNetS-motoren bringer AI ind i denne pipeline til hurtige resultater. Brug af AI til udvikling af AI-modeller bringer en ny og tiltrængt grad af skalerbarhed til udviklingen af ​​AI-teknologier.

Under hætten på NeuNetS

NeuNetS kører på et fuldt containeriseret miljø implementeret på IBM Cloud med Kubernetes. Arkitekturen er designet til at minimere menneskelig interaktion, automatisere brugerens arbejdsbyrde, og forbedre over brugen. Brugere behøver ikke at skrive kode eller have erfaring med eksisterende deep learning rammer:Alt er automatiseret, fra datasættets indtagelse og forbehandling, til arkitektursøgningstræning og modelimplementering. Da området for automatisering af AI bevæger sig i et hurtigt tempo, systemet skal være i stand til at tage de nyeste tilgange ind med minimal indvirkning på den kørende tjeneste. Som sådan, vi har designet NeuNetS rammeværket til at være fleksibelt og modulært, så nye kraftfulde algoritmer kan inkluderes til enhver tid. NeuNetS udnytter eksisterende IBM-aktiver, såsom DLaaS, HPO, og WML. Neural Networks-modeller er syntetiseret på den seneste generation af NVIDIA Tesla V100 GPU'er.

Blødende forskningsteknologi

NeuNetS algoritmer er designet til at skabe nye neurale netværksmodeller uden at genbruge præ-trænede modeller. Dette giver os mulighed for at udforske en lang række netværksarkitekturkonfigurationer og samtidig finjustere modellen til det specifikke datasæt, som brugeren leverer.

NeuNetS-algoritmeporteføljen inkluderer forbedrede versioner af nyligt udgivne værker, såsom TAPAS [3], NCEvolve [4], og HDMS [5], samt en finkornet optimeringsmotor. Disse algoritmer tager et skridt fremad med hensyn til det nyeste inden for litteraturen og i praksis, adressering af fundamentale problemer såsom datasætgeneralitet og ydeevneskalerbarhed. TAPAS er en ekstremt hurtig neural-netværkssynthesizer, udfører tæt på overførselslæringstilgange ved at stole på forudgenererede grundsandhed og smarte forudsigelsesmekanismer. NCEvolve syntetiserer top-performante netværk, minimere mængden af ​​træningstid og ressourcebehov. HDMS kombinerer en forbedret version af hyperbånd med forstærkende læring for at syntetisere netværk, der er skræddersyet til de mindre almindelige datasæt. Sidst men ikke mindst, vores finkornede syntesemotor bruger en evolutionær algoritme til at bygge brugerdefinerede foldningsfiltre, fører til lav-niveau finjustering af den neurale arkitektur.

Fremtiden for NeuNetS

Baseret på flere optimeringsalgoritmer og en modulær arkitektur, NeuNetS kan rumme en bred vifte af modelsyntese-scenarier. Et næste skridt er at gøre det muligt for brugere ikke kun at opdatere data, men også at bestemme, hvor meget tid og hvor mange ressourcer der skal afsættes til modelsyntesen, samt modellens maksimale størrelse, og målimplementeringsplatformen. I denne henseende vil IoT- og tidsserieanalysearbejdsbelastninger spille en stor rolle. For at gøre det muligt for brugerne at gøre effektiv brug af de syntetiserede modeller, vi skaber innovative visualiseringsfunktioner til at sammenligne nøglemodellens egenskaber, herunder ydeevne, størrelse og type. For at fortsætte med at hjælpe brugere, når en model er implementeret og fremme deres tillid til AI, vi arbejder på teknikker, der forbedrer synligheden af ​​modellens struktur og adfærd på tværs af AI-livscyklussen.

Prøv NeuNetS nu

NeuNetS beta er tilgængelig i dag som en del af AI OpenScale-produktet i Watson Studio, på IBM Cloud. Denne første udgivelse tilbyder modelsyntese til billed- og tekstklassificering, med ydeevne svarende til håndlavede neurale netværk. Visuelle arbejdsbelastninger har været genstand for intens forskning, udvikling, og konkurrencer gennem det seneste årti og repræsenterer dermed et hårdt benchmark. I modsætning, modeller med høj nøjagtighed for tekst er ikke udbredt i dag, og NeuNetS vil hjælpe ikke-ekspertbrugere med at drage fordel af den nyeste teknologi, der er tilgængelig på dette domæne.

Du kan få adgang på dette link:dataplatform.cloud.ibm.com/ml/neunets .

Denne historie er genudgivet med tilladelse fra IBM Research. Læs den originale historie her.