Deep-learning AI-system sætter Singapore på det globale kort over big data-analyse

Et team af forskere fra National University of Singapore (NUS) har sat Singapore på det globale kort over kunstig intelligens (AI) og big data-analyse. Deres open source-projekt, kaldet Apache SINGA, "dimitterede" fra Apache Incubator den 16. oktober 2019 og er nu Sydøstasiens første Top-Level Project (TLP) under Apache Software Foundation, verdens største open source-softwarefællesskab.

At blive anerkendt som en TLP er ingen lille bedrift, da Apache SINGA nu slutter sig til rækken af ​​førende open source-værktøjer såsom Apache HTTP Server og Apache Kafka. Selvom navnet måske ikke umiddelbart ringer en klokke, Apache Kafka driver big data-løsninger hos Airbnb, LinkedIn, Netflix, PayPal, Spotify og mange andre virksomheder. Apache HTTP-serveren er den mest populære webserver i verden og betjener i øjeblikket 29 procent af alle aktive websteder på internettet.

Ledet af professor Ooi Beng Chin, Apache SINGA blev initieret af Database System Research Group fra NUS School of Computing sammen med Zhejiang University og NetEase i 2014. Prototypen blev indsendt til Apache Incubator i marts 2015, og den første officielle udgivelse blev lavet i oktober 2015. Siden da, NUS-forskerne har modtaget støtte fra National Research Foundation Singapore, Uddannelsesministeriet, og Videnskabsstyrelsen, Teknologi og forskning.

Prof Ooi sagde, "Vi oplevede en stigende efterspørgsel efter deep learning og maskinplatforme i 2012, men der manglede effektive distribuerede platforme. Gradueringen er et tegn på anerkendelse for Apache SINGA, men dette er kun begyndelsen. Vi håber, at Apache SINGA kan påvirke dyb læring på samme måde som Apache HTTP-servere gjorde for webstedsservere."

Deep learning er en undergruppe af maskinlæring, der søger at udnytte kunstige neurale netværk til at generere meningsfuld indsigt fra store mængder data. Mens maskinlæring typisk kræver, at mennesker leverer strukturerede data, dyb læring kan strukturere rå data af sig selv. Et eksempel ville være at identificere billedet af en kat; maskinlæring vil kræve menneskelig input for at definere, at en kat har funktioner såsom knurhår, spidse ører og poter. Deep learning vil analysere flere billeder af katte gennem forskellige algoritmer for at bestemme alle funktionerne af sig selv, simulerer en kunstig hjerne.

Imidlertid, begrænsningen ved deep learning er, at det kræver en astronomisk mængde data, som igen kræver en masse regnekraft. Et typisk centraliseret system ville kræve en enkelt supercomputer til at behandle al denne information, hvilket ikke er en mulighed for de fleste organisationer. Apache SINGAs distribuerede systemtilgang hjælper med at overvinde behovet for en enkelt supercomputer, da den spreder arbejdsbyrden over et stort antal almindelige computere.

Apache SINGA driver i øjeblikket applikationer på tværs af flere sektorer, herunder sundhedspleje, bank og finans, softwareudvikling og cybersikkerhed. En sådan applikation er FoodLG, som bruger billedgenkendelse til at identificere en ret baseret på billedet uploadet af slutbrugeren.Fem hospitaler i Singapore bruger i øjeblikket forskellige versioner af FoodLG til at fremme sund livsstil og lette sygdomshåndtering for lidelser såsom diabetes, hypertension og højt kolesteroltal.

National University Hospital (NUH) og Singapore General Hospital udnytter også Apache SINGA til at analysere MR- og røntgenbilleder for at forbedre identifikation af sundhedsproblemer. Ud over, NUH bruger modeller, der er trænet på Apache SINGA til modellering af sygdomsprogression og modellering af genindlæggelse af patienter. Inden for cybersikkerhed, SecureAge udvikler deep learning-modeller til detektering af malware ved hjælp af Apache SINGA til at identificere malware mere præcist, samt at identificere nye typer malware baseret på tidligere data. Lokale banker, på den anden side, bruger også Apache SINGA til at udvikle og træne modeller til risikomodellering og løsning af overholdelse af anti-hvidvaskning af penge.

Det næste trin for Apache SINGA er at forbedre sit system, så selv ikke-AI-eksperter er i stand til at bruge det og forberede sig på 5G-alderen ved at strømline det til at køre på edge-enheder.