Rapid Prototyping und Deep-Learning-Systeme in Torch

Facebooks Torchnet: AI-Entwicklung per Open-Source-Technologie
Kommentare

Facebook will mit der Open-Source-Technologie „Torchnet“ die Entwicklung von Deep-Learning-Systemen in Torch dank kollaborativer Rapid-Prototyping-Prozesse vereinfachen und effektiver gestalten. Möglich machen sollen das fünf neue Modul-Abstraktionen.

Intelligente, adaptive Systeme haben zuletzt im Mobile-Bereich für Aufsehen gesorgt. Neben der Verbesserung der User Experience haben insbesondere Chatbots einen erheblichen Vorteil: ihre Erstellung ist schneller und günstiger als die Entwicklung einer Cross-Plattform-Applikation. Rapid Prototyping und schnelle, iterative Prozesse, die auf dem Echtzeit-Feedback der Nutzer basieren, vereinfachen das Developing und Testing.

Facebooks Torchnet

Im Bereich der Entwicklung künstlicher Intelligenzen geht Facebook nun einen weiteren Schritt in diese Richtung. Bereits seit Anfang 2015 hat das Unternehmen eine Vielzahl verschiedener Anstrengungen – von Nischen-Modulen bis zu vollständigen Server-Blueprints – unternommen. Jetzt erweitert der Konzern sein Repertoire um ein Open-Source-Toolkit, das auf den Namen Torchnet hört. Es wurde auf der International Conference on Maschine Learning (ICML) offiziell vorgestellt.

Die Open-Source-Plattform Torchnet soll es Entwicklern ermöglichen, schnell und effektiv wiederbenutzbare Deep-Learning-Systeme in Torch zu entwickeln. Mithilfe des Verfahrens des Deep Learnings werden Maschinen in Zukunft Daten noch besser analysieren und aus ihnen maschinell auswertbares Wissen gewinnen.

Deep-Learning-Systeme und Rapid Prototyping

Frameworks wie Torch haben durch Programmabstraktionen den Einstieg in die AI-Entwicklung bereits deutlich vereinfacht. Torchnet will die Entwicklung von Deep-Learning-Systemen durch insgesamt fünf weitere Modul-Abstraktionen – Datasets, Dataset Iterators, Engines, Meter und Logs – nun weiter vereinheitlichen.

API Summit 2017

Web APIs mit moderner Web-Technologie konsumieren

mit Rainer Stropek (software architects)

API First mit Swagger & Co.

mit Thilo Frotscher (Freiberufler)

Diesbezüglich stellt Torchnet eine Sammlung von verschiedenen Codebausteinen, Schlüsselabstraktionen und Referenzimplementierungen bereit, die zusammengesetzt, auseinandergenommen und später wiederverwendet werden können. Der modulare Programmieransatz, die Möglichkeit, Daten parallel zu laden, sowie effiziente Multi-GPU-Berechnungen sollen kollaborative Rapid-Prototyping-Prozesse ermöglichen. Laut Facebook wird auf diese Weise das Testing erleichtert und die Anzahl der Bugs reduziert, was wiederum die Entwicklung beschleunigt, die Kosten senkt und die Zusammenarbeit fördert.

Torchnet’s overarching design is akin to Legos, in that the building blocks are built on a set of conventions that allow them to be snapped together easily. The interlocked chunks make a universal system in which engaged pieces fit together firmly yet can be replaced easily by other pieces. We’ve also developed clear guidelines on how to build new pieces.

Im Gegensatz zur derzeitigen AI-Entwicklung sollen mithilfe von Torchnet die Codezeilen, die für ein Deep-Learning-Projekt nötig sind, auf ein Minimum reduziert werden. Unternehmen, die auf Basis von Torch Software entwickeln, können so Zeit und Ressourcen sparen und ihre Lieferzeiten verkürzen, da die Developer ihre Aufgaben schneller und effektiver bearbeiten. Aufgrund des Open-Source-Ansatzes kann ebenfalls auf Packages aus der Community, die via Plugin implementiert werden, zurückgegriffen werden.

Zukünftig mehr AI-Frameworks

Torchnet soll Facebook helfen, gegenüber der Konkurrenz in der AI-Entwicklung ( wie zum Beispiel Alphabet Inc.) Boden gut zu machen. Auch Microsoft und Amazon haben ihre Bemühungen in diesem Bereich jüngst ausgeweitet. Das Interesse an Deep-Learning-Technologien auf Enterprise-Ebene ist demzufolge groß. Es ist also zu erwarten, dass zukünftig noch weitere AI-Tools folgen.

Torchnet steht auf GitHub zum Download bereit. Weitere Informationen finden sich im offiziellen Research-Paper.

Aufmacherbild: Army of robots via Shutterstock / Urheberrecht: Tatiana Shepeleva

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -