連日來人工智能正在改變企業(yè)的工作方式和創(chuàng)新方式向來一不斷的有小伙伴關注，不僅如此還衍生出了各大相關話題，那么跟著小編來看看人工智能正在改變企業(yè)的工作方式和創(chuàng)新方式以及它的相關資訊吧！
2018年12月14日，IBM公布了NeuNetS，這是一項全新的功能，可解決在廣泛的業(yè)務領域中開辟最新AI模型的技能差距。NeuNetS使用AI比以往更快，更輕松地自動綜合深度神經(jīng)網(wǎng)絡模型，從而擴大了公司和中小企業(yè)對AI的采納。通過完全自動化AI模型的開辟和部署，NeuNetS同意 非專業(yè)用戶在不犧牲準確性的情況下，僅花費今天的一小部分就為特定任務和數(shù)據(jù)集構建神經(jīng)網(wǎng)絡。
自動化需求
人工智能正在改變企業(yè)的工作方式和創(chuàng)新方式。人工神經(jīng)網(wǎng)絡可以說是當前可用于數(shù)據(jù)科學家的最強大的工具。但是，盡管惟獨一小部分數(shù)據(jù)科學家具有創(chuàng)建高性能神經(jīng)網(wǎng)絡所需的技能和經(jīng)驗。從無到有，同時需求遠遠超過了供應。結果，即使在概念驗證階段，大多數(shù)企業(yè)都在努力快速有效地獲得新的神經(jīng)網(wǎng)絡，該神經(jīng)網(wǎng)絡在結構上是定制設計的，可以滿足其特定應用程序的需求。因此，通過自動設計給定數(shù)據(jù)集的神經(jīng)網(wǎng)絡架構來彌合這種技能差距的技術越來越重要。NeuNetS引擎將AI引入了這一渠道，以快速跟蹤結果。使用AI進行AI模型開辟會為AI技術的開辟帶來新的且迫切需要的可擴展性。
在NeuNetS的引擎蓋下
NeuNetS在帶有Kubernetes的IBM Cloud上部署的完全容器化環(huán)境上運行。該體系結構旨在最大程度地減少人機交互，自動執(zhí)行用戶工作負載并改善使用率。用戶無需編寫代碼或具有現(xiàn)有深度學習框架的經(jīng)驗：從數(shù)據(jù)集的提取和預處理到架構搜索培訓和模型部署，一切都是自動化的。隨著AI自動化領域的快速進展，系統(tǒng)需要能夠采納最新方法，并且對運行服務的影響最小。因此，我們將NeuNetS框架設計為靈便且模塊化的，以便可以隨時包含新的強大算法。NeuNetS利用了現(xiàn)有的IBM資產(chǎn)，例如DLaaS，HPO和WML。
前沿研究技術
NeuNetS算法旨在創(chuàng)建新的神經(jīng)網(wǎng)絡模型，而無需重新使用預先訓練的模型。這使我們能夠探究廣闊的網(wǎng)絡體系結構配置空間，同時針對用戶提供的特定數(shù)據(jù)集微調(diào)模型。
NeuNetS算法產(chǎn)品組合包括最近公布的作品的增強版本，例如TAPAS [3]，NCEvolve [4]和HDMS [5]，以及細粒度的優(yōu)化器引擎。這些算法相對于文獻和實踐中的最新技術向前邁進了一步，解決了諸如數(shù)據(jù)集通用性和性能可伸縮性等基本問題。TAPAS是一種非?？焖俚纳窠?jīng)網(wǎng)絡合成器，它依靠預生成的地面真相和智能預測機制來執(zhí)行接近傳遞學習的方法。NCEvolve綜合了性能最高的網(wǎng)絡，從而最大限度地減少了培訓時間和資源需求。HDMS將改進版本的超頻帶與強化學習相結合，以合成針對不太常見的數(shù)據(jù)集量身定制的網(wǎng)絡。最后但并非最不重要的，
NeuNetS的未來
基于多種優(yōu)化算法和模塊化體系結構，NeuNetS可以適應各種模型綜合方案。下一步是使用戶不僅可以更新數(shù)據(jù)，還可以決定為模型綜合分配多少時間和多少資源，以及可選地模型的最大大小和目標部署平臺。在這方面，物聯(lián)網(wǎng)和時間序列分析工作負載將發(fā)揮重要作用。為了使用戶能夠有效地使用綜合模型，我們正在創(chuàng)建創(chuàng)新的可視化功能，以比較關鍵模型特征，包括性能，尺寸和類型。為了在模型部署后繼續(xù)為用戶提供幫助并增強他們對AI的信任，我們正在研究可改善在AI生命周期中對模型結構和行為的可見性的技術。
立即嘗試NeuNetS
NeuNetS beta作為IBM OpenCloud產(chǎn)品的一部分，可以在IBM Cloud的Watson Studio中獲得。該第一版提供了用于圖像和文本分類的模型合成，其性能類似于手工神經(jīng)網(wǎng)絡。在過去的十年中，視覺工作負載向來是激烈的研究，開辟和競爭的主題，因此代表著一個艱苦的基準。相比之下，文本的高精度模型今天還沒有廣泛使用，NeuNetS將幫助非專業(yè)用戶從該領域的最新技術中獲利。