Frameworks erleichtern den KI-Einstieg
Übersicht: Frameworks für Künstliche Intelligenz (Teil 1)
Frameworks für Künstliche Intelligenz
| Frameworks für Künstliche Intelligenz (Teil 1) | |||
| Anbieter | Lösung(en) | Schwerpunkte | Besonderheiten |
| Amazon Web Services | Amazon SageMaker | Machine Learning (ML); Managed Service zum Erstellen, Trainieren und Bereitstellen von ML-Modellen | Gesamter Workflow von ML-Projekten abgedeckt; vorgefertigte Workflows und Schnittstellen für gängige Kennzeichnungsaufgaben; laut AWS um 70 Prozent geringerer Aufwand beim Markieren von Daten; Unterstützung von Frameworks wie TensorFlow, PyTorch, Apache MXNet |
| Amazon Web Services | KI-, DL- und ML-Services wie Comprehend, Forecast, Polly, Translate oder Rekognition | Vortrainierte KI-Services für Bild-/Videoanalyse, Personalisieren von Kundenerfahrungen, Dokumentenanalyse, Natural Language Processing etc. | Unterstützung von Frameworks wie TensorFlow, PyTorch, Apache MXNet |
| Apache | Mahout | Verteiltes Framework für das Erstellen von ML-Applikationen; Open Source | Basis: Hadoop MapReduce; hohe Skalierbarkeit; für effizientes Data-Mining bei großen Datenbeständen ausgelegt; Kritikpunkt: unzureichende Visualisierungsfunktionen |
| Apache | Mlib (Spark) | ML-Bibliothek für Python, Java, Scala und R; Open Source | Unterstützung von Spark und NumPy; Implementierung auf Hadoop, Apache Mesos, Kubernetes, Cloud, firmeneigenen Data-Centern; Einsatzfelder u. a. Regressionsanalysen, Clustering, Entscheidungsbäume, Empfehlungsalgorithmen |
| Apache | MXNET | DL-Bibliothek und Framework mit breiter Unterstützung von Programmiersprachen; Open Source | Unterstützt u. a. Python, C++, Julia, R und JavaScript; hohe Skalierbarkeit; Einsatz vor allem bei Sprach- und Bilderkennung, Natural Language Processing und Prognosen im Rahmen großer Projekte; gute Unterstützung von Grafikprozessoren; nicht so populär wie andere Frameworks |
| Apache | Singa | Deep Learning (DL); verteilte Plattform für Deep Learning; Open Source | Unterstützung von neuronalen Netzwerken wie Convolutional Neural Networks (CNN), Restricted Boltzmann Machines (RBM) und Recurrent Neural Networks (RNN); Fokus auf Anwendungen im Gesundheitsbereich und mit geringem Ressourcenbedarf; breite Hardware-Unterstützung; für synchrone, asynchrone und hybride Trainings-Frameworks |
| Apache | SystemML | ML-Framework; ursprünglich von IBM; seit Ende 2018 Open Source | Anwendungen u. a. deskriptive Statistiken, Klassifizierungen, Regressionsanalysen, Matrix-Faktorisierung; für die Analyse großer Datenbestände; läuft in Apache-MapReduce- oder Apache-Spark-Umgebungen |
| Berkeley Vision and Learning Center | Caffe | DL-Framework auf Basis von C++ mit Python-Interface und Schwerpunkt auf Bilderkennung | Nachfolger ist Caffe2; Anwendungen - neben Bildanalyse - Spracherkennung und Robotics-Applikationen; weniger geeignet für Text- und Sprachanalyse und Zeitreihenanalyse; Unterstützung von Convolutional Neural Networks; Schnittstellen zu C, C++, Python, Matlab |
| BigDL | BigDL | Verteilte DL-Library auf Basis von Python für Apache Spark; für Intel-Prozessoren | Erstellen von DL-Anwendungen als Spark-Programme; Ausführung auf Spark- oder Hadoop-Clustern; Unterstützung von Frameworks wie TensorFlow, Keras und Torch; hohe Performance und Skalierbarkeit |
| Caffe2 | Caffe2 | DL-Framework für Python; ursprünglich von Facebook entwickelt | Ziel: einfacher Zugang zu Deep-Learning-Modellen; vortrainierte Modelle; hohe Skalierbarkeit und Effizienz; enge Anbindung an PyTorch; noch keine optimale Lösung für komplexe DL-Projekte, die Debugging-Tools erfordern |
| Chainer | Chainer | DL-Framework auf Basis von Python; unterstützt von AWS, IBM, Intel und Nvidia | Anwendung vor allem bei der Spracherkennung; hohe Flexibilität und intuitive Bedienung; hohe Performance; Möglichkeit, vorhandene Netzwerke während der Laufzeit (Runtime) zu modifizieren; schwer zu debuggen; kleine Community |
| CLIPS | Pattern | ML; Web-Mining-Modul für Python | Anwendungen u. a. Data-Mining (Google, Twitter, Wikipedia etc.), Natural Language Processing, Clustering, Netzwerkanalyse |
| Gluon | Gluon | DL-Interface zum Erstellen von Modellen auf Basis von Toolkits wie Apache MXNET und Cognitive Toolkit von Microsoft | Von AWS und Microsoft vorgestellt; Ziel: Erstellen von DL-Modellen mit geringem Programmieraufwand |
| H2O | H2O | ML-Plattform auf Basis von Python und R; Open Source; auch als kommerzielle Enterprise-Plattform verfügbar | Anwendungsfelder u. a. Forderungsmanagement, Analyse, Betrugserkennung; Unterstützung von Random Forests, GLM, GBM, XGBoost, GLRM, Word2Vec; Workflow-Automatisierung mit AutoML; In-Memory-Datenbanken werden unterstützt |
Frameworks für Künstliche Intelligenz
| Frameworks für Künstliche Intelligenz (Teil 1) | |||
| Anbieter | Lösung(en) | Schwerpunkte | Besonderheiten |
| Amazon Web Services | Amazon SageMaker | Machine Learning (ML); Managed Service zum Erstellen, Trainieren und Bereitstellen von ML-Modellen | Gesamter Workflow von ML-Projekten abgedeckt; vorgefertigte Workflows und Schnittstellen für gängige Kennzeichnungsaufgaben; laut AWS um 70 Prozent geringerer Aufwand beim Markieren von Daten; Unterstützung von Frameworks wie TensorFlow, PyTorch, Apache MXNet |
| Amazon Web Services | KI-, DL- und ML-Services wie Comprehend, Forecast, Polly, Translate oder Rekognition | Vortrainierte KI-Services für Bild-/Videoanalyse, Personalisieren von Kundenerfahrungen, Dokumentenanalyse, Natural Language Processing etc. | Unterstützung von Frameworks wie TensorFlow, PyTorch, Apache MXNet |
| Apache | Mahout | Verteiltes Framework für das Erstellen von ML-Applikationen; Open Source | Basis: Hadoop MapReduce; hohe Skalierbarkeit; für effizientes Data-Mining bei großen Datenbeständen ausgelegt; Kritikpunkt: unzureichende Visualisierungsfunktionen |
| Apache | Mlib (Spark) | ML-Bibliothek für Python, Java, Scala und R; Open Source | Unterstützung von Spark und NumPy; Implementierung auf Hadoop, Apache Mesos, Kubernetes, Cloud, firmeneigenen Data-Centern; Einsatzfelder u. a. Regressionsanalysen, Clustering, Entscheidungsbäume, Empfehlungsalgorithmen |
| Apache | MXNET | DL-Bibliothek und Framework mit breiter Unterstützung von Programmiersprachen; Open Source | Unterstützt u. a. Python, C++, Julia, R und JavaScript; hohe Skalierbarkeit; Einsatz vor allem bei Sprach- und Bilderkennung, Natural Language Processing und Prognosen im Rahmen großer Projekte; gute Unterstützung von Grafikprozessoren; nicht so populär wie andere Frameworks |
| Apache | Singa | Deep Learning (DL); verteilte Plattform für Deep Learning; Open Source | Unterstützung von neuronalen Netzwerken wie Convolutional Neural Networks (CNN), Restricted Boltzmann Machines (RBM) und Recurrent Neural Networks (RNN); Fokus auf Anwendungen im Gesundheitsbereich und mit geringem Ressourcenbedarf; breite Hardware-Unterstützung; für synchrone, asynchrone und hybride Trainings-Frameworks |
| Apache | SystemML | ML-Framework; ursprünglich von IBM; seit Ende 2018 Open Source | Anwendungen u. a. deskriptive Statistiken, Klassifizierungen, Regressionsanalysen, Matrix-Faktorisierung; für die Analyse großer Datenbestände; läuft in Apache-MapReduce- oder Apache-Spark-Umgebungen |
| Berkeley Vision and Learning Center | Caffe | DL-Framework auf Basis von C++ mit Python-Interface und Schwerpunkt auf Bilderkennung | Nachfolger ist Caffe2; Anwendungen - neben Bildanalyse - Spracherkennung und Robotics-Applikationen; weniger geeignet für Text- und Sprachanalyse und Zeitreihenanalyse; Unterstützung von Convolutional Neural Networks; Schnittstellen zu C, C++, Python, Matlab |
| BigDL | BigDL | Verteilte DL-Library auf Basis von Python für Apache Spark; für Intel-Prozessoren | Erstellen von DL-Anwendungen als Spark-Programme; Ausführung auf Spark- oder Hadoop-Clustern; Unterstützung von Frameworks wie TensorFlow, Keras und Torch; hohe Performance und Skalierbarkeit |
| Caffe2 | Caffe2 | DL-Framework für Python; ursprünglich von Facebook entwickelt | Ziel: einfacher Zugang zu Deep-Learning-Modellen; vortrainierte Modelle; hohe Skalierbarkeit und Effizienz; enge Anbindung an PyTorch; noch keine optimale Lösung für komplexe DL-Projekte, die Debugging-Tools erfordern |
| Chainer | Chainer | DL-Framework auf Basis von Python; unterstützt von AWS, IBM, Intel und Nvidia | Anwendung vor allem bei der Spracherkennung; hohe Flexibilität und intuitive Bedienung; hohe Performance; Möglichkeit, vorhandene Netzwerke während der Laufzeit (Runtime) zu modifizieren; schwer zu debuggen; kleine Community |
| CLIPS | Pattern | ML; Web-Mining-Modul für Python | Anwendungen u. a. Data-Mining (Google, Twitter, Wikipedia etc.), Natural Language Processing, Clustering, Netzwerkanalyse |
| Gluon | Gluon | DL-Interface zum Erstellen von Modellen auf Basis von Toolkits wie Apache MXNET und Cognitive Toolkit von Microsoft | Von AWS und Microsoft vorgestellt; Ziel: Erstellen von DL-Modellen mit geringem Programmieraufwand |
| H2O | H2O | ML-Plattform auf Basis von Python und R; Open Source; auch als kommerzielle Enterprise-Plattform verfügbar | Anwendungsfelder u. a. Forderungsmanagement, Analyse, Betrugserkennung; Unterstützung von Random Forests, GLM, GBM, XGBoost, GLRM, Word2Vec; Workflow-Automatisierung mit AutoML; In-Memory-Datenbanken werden unterstützt |
- Frameworks erleichtern den KI-Einstieg
- Frameworks
- KI-Anbieter finden
- Mitarbeiter mitnehmen
- Fazit & Ausblick
- Übersicht: Frameworks für Künstliche Intelligenz (Teil 1)
- Übersicht: Frameworks für Künstliche Intelligenz (Teil 2)
- Im Gespräch mit Dr. Christop Angerer von Nvidia
- Kasten: Wie intelligent ist KI?
