Deep learning framework: cos’è e come si utilizza il software open source IBM

pittogramma Zerouno

Focus on

Deep learning framework: cos’è e come si utilizza il software open source IBM

Le opzioni open source per deep learning framework offerte e supportate da IBM nell’ambito della soluzione PowerAI. Gli strumenti per velocizzare i progetti a misura d’impresa

10 Mar 2020

di Redazione Data Science & Machine Learning

Gli impieghi dell’intelligenza artificiale (AI) stanno oggi crescendo rapidamente grazie ad algoritmi in grado di emulare sempre più efficacemente le capacità umane e in molte di superarle (per esempio, nel riconoscere testi o classificare oggetti presenti nelle immagini). Nell’ambito dell’AI il deep learning ossia l’apprendimento profondo attraverso reti neurali è il campo in cui si è registrato negli ultimi anni il maggiore livello d’innovazione e conseguentemente dove i nuovi supporti software nascono, evolvono e talvolta scompaiono rapidamente senza garantire i livelli di supporto e solidità utili alle applicazioni d’impresa.

D’altronde gli algoritmi di deep learning vengono impiegati in applicazioni molto diverse che vanno dalla computer vision al riconoscimento vocale, dai veicoli a guida autonoma alla diagnostica medica. Sono usati per comprendere significati nascosti in grandi moli di dati, non soltanto elaborando numeri ma anche documenti di testo, suoni, video producendo i risultati sotto forme differenti. Va da sé che ci siano tanti deep learning framework da scegliere in base alle applicazioni da realizzare, alle librerie disponibili o alla conoscenza delle persone, spesso perdendo più tempo nella messa a punto delle piattaforme che non nel lavoro su dati e applicazioni.

Nella creazione di una soluzione deep learning a misura d’impresa, IBM ha quindi puntato a creare con PowerAI un insieme hardware/software ottimizzato, già dotato dei deep learning framework open source più comunemente utilizzati per lo sviluppo di applicazioni. Un insieme che dà la sicurezza di disporre del software più aggiornato e sicuro per basare le applicazioni aziendali.

Cosa fanno e come si caratterizzano i deep learning framework di PowerAI

Grazie al lavoro delle comunità open source, anche persone che abbiano poca o nessuna esperienza con il deep learning riescono oggi a impiegare la tecnologia. Con i deep learning framework non serve fare coding ed è possibile concentrarsi sui caricamenti di dati e l’addestramento dei modelli arrivando più rapidamente alle applicazioni.

Tra i deep learning framework supportati da IBM PowerAI c’è TensorFlow, strumento originariamente creato da Google e rapidamente diffuso grazie alle importanti referenze d’uso in società come Airbnb, Intel e Twitter. Google usa TensorFlow al proprio interno per alimentare il servizio di traduzione linguistica online, quindi per la comprensione del linguaggio naturale e il riconoscimento d’immagini. TensorFlow è basato su Pyton e vanta vasto supporto e aggiornamenti da parte delle comunità open source. Il framework si integra facilmente con le piattaforme di deep learning di terze parti.

Un altro framework di deep learning open source largamente usato è Keras. Costruito su TensorFlow rimedia ad alcune mancanze dello strumento originario, in particolare sul fronte della semplicità d’uso. Keras ha il vantaggio di richiedere pochissimo codice, ed è facile e adatto per chi comincia. Keras è stato integrato in Tensorflow; a partire dalla versione TensorFlow 2.0 la sintassi di Keras ha avuto significativi miglioramenti.

I deep learning framework per sfruttare i modelli esistenti e velocizzare lo sviluppo

La disponibilità di nuovi framework non cancella l’esigenza di dare continuità a progetti già avviati o sui quali si abbia il vantaggio dell’esperienza. È il caso di Caffè, un framework di deep learning open source ben noto a chi ha già fatto progetti di AI, ancora apprezzato per la velocità e l’efficacia nelle applicazioni d’image recognition. IBM PowerAI integra una versione ottimizzata del framework (IBM Caffé) oltre alla versione BVLC Caffè, che comprende le funzioni per la visione computerizzata messe a punto dal Berkeley Vision & Learning Center.

La semplicità è la prerogativa di PyTorch, sviluppato dai laboratori di ricerca di Facebook e adatto alle applicazioni generali di elaborazione del linguaggio naturale e computer vision. Meno ricco di TensorFlow è però facile da apprendere e adatto ai progetti sperimentali e rapide prototipazioni.

Una dote comune anche al deep learning framework Snap Machine Learning (Snap ML), sviluppato dai laboratori IBM di Zurigo per la creazione di modelli lineari per usi generali. Snap ML vanta ridotti tempi d’apprendimento ed è adatto ai dataset di grandi dimensioni. Supporta l’accelerazione con GPU e un vasto numero di modelli classici di machine learning.

D

Redazione Data Science & Machine Learning

Argomenti trattati

Approfondimenti

I
Intelligenza Artificiale

Articolo 1 di 4