Open-Sourcing von TensorFlow soll Machine-Learning-Prozess und Forschung vorantreiben

Google stellt Machine-Learning-System TensorFlow Open Source zur Verfügung
Kommentare

Schon seit mehreren Jahren arbeitet Google im Bereich Machine Learning und Deep Learning und hat bereits mit seiner internen Deep-Learning-Infrastruktur DistBelief unter anderem für die Verbesserungen der Spracherkennung in der Google-App und das Erstellen der Image-Search in Google Photos gesorgt. Während DistBelief aber vor allem auf neuronale Netzwerke abzielt, hat Google aber auch im Bereich Machine Learning ein Ass im Ärmel: das ML-System TensorFlow, das nun Open Source zur Verfügung steht.

Dabei basiert TensorFlow in Teilen auf DistBelief, wurde an vielen Stellen aber mit umfangreichen Verbesserungen – insbesondere, was die Geschwindigkeit angeht – versehen. So soll TensorFlow vor allem flexibel, übertragbar und leicht zu nutzen, dabei aber auch für verschiedene Einsatzgebiete wie einzelne Smartphones oder ganze Datenzentren problemlos skalierbar sein.

Bereits jetzt nutzt Google selbst TensorFlow unter anderem für die Spracherkennung in der Google-App, das Smart-Reply-Feature in Inbox oder die Bildersuche in Google Photos. Der besondere Vorteil daran ist dabei die Performance, erklärt Sundar Pichai im Google-Blog:

It allows us to build and train neural nets up to five times faster than our first-generation system, so we can use it to improve our products much more quickly.

Allerdings steckt Machine Learning noch in den Kinderschuhen und erfordert einiges mehr an Arbeit und Input von Researchern. Genau das verspricht man sich bei Google auch vom Open Sourcing des ML-Systems TensorFlow: dass die Forschung im Bereich Machine Learning so weiter vorangetrieben und die damit verbundenen Technologien so für alle User verbessert werden können.

Stellen Sie Ihre Fragen zu diesen oder anderen Themen unseren entwickler.de-Lesern oder beantworten Sie Fragen der anderen Leser.

Viele Einsatzgebiete für TensorFlow

TensorFlow  bringt eine Vielzahl von Funktionalitäten mit sich, die den ML-Prozess beschleunigen sollen. So verfügt das System nicht nur über einen umfangreichen built-in-Support für Deep Learning, sondern ermöglicht auch die Berechnung jeder Kalkulation, die als Flow-Graph dargestellt werden kann. Zudem bringt TensorFlow eine Auto-Differenzierung sowie eine Reihe von First-Rate-Optimizern mit sich, die bei der Nutzung von Machine-Learning-Algorithmen behilflich sein können.

Damit bietet das ML-System eine ganze Bandbreite an Einsatzmöglichkeiten – und zwar nicht nur für Researcher, sondern auch für die Nutzung in realen Produkten. So hilft es unter anderem dabei, komplexe Daten zu verstehen und kann zudem sowohl auf einzelnen Geräten als auch in Datenzentren genutzt werden. Ebenso lassen sich Ideen über das flexible Python-Interface auch einfach übertragen. Dazu erklären Jeff Dean und Rajat Monga in einem Blogpost im Google-Research-Blog:

You can move your idea seamlessly from training on your desktop GPU to running on your mobile phone.

Mehr Informationen zu den Features von TensorFlow finden sich auf der Projektseite. Ebenso helfen dort einige Tutorial und die Dokumentation dabei, den Einstieg in die Nutzung des Systems zu finden. Alternativ zeigt auch das folgende Video, wofür TensorFlow genutzt werden kann:

Open Sourcing soll Research vorantreiben

Dass Google seine Machine-Learning-System nun unter einer Open-Source-Lizenz zur Verfügung stellt, scheint für viele auf den ersten Blick erstmal überraschend. Dabei ist Google längst nicht das einzige Unternehmen, dass sich im Bereich Machine Learning versucht. Auch Facebook hat Anfang des Jahres mit Torch ein Deep-Learning-System Open Source veröffentlicht; ebenso Microsoft verfügt mit Azure Machine Learning über einen entsprechenden Dienst.

Tatsächlich, so sagt auch Alistair Barr im Blog des Wall Street Journals, könnte Google mit dem Open Sourcing seines TensorFlow-ML-Systems die Forschung in diesem Bereich entscheidend vorantreiben. Ähnlich sieht das auch Sharon Gaudin und erklärt, dass so auch Forscher im Bereich der künstlichen Intelligenz das System nutzen können, um ihre eigenen Forschungen zu unterstützen. Zwar umfassen künstliche Intelligenz und Machine Learning unterschiedliche Schwerpunkte, trotzdem spielen beide eine immer größere Rolle in der Weiterentwicklung von Technologien – und insbesondere auch unserem Alltag.

Aufmacherbild: Fractal Realms series. Visually pleasing composition of fractal elements, grids and symbols von Shutterstock / Urheberrecht: agsandrew

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -