Frameworks erleichtern den KI-Einstieg
Frameworks
Komplettsysteme
Frameworks für Künstliche Intelligenz (Teil 1) |
|||
Anbieter |
Lösung(en) |
Schwerpunkte |
Besonderheiten |
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 |
|
KI-, DL- und ML-Services wie Comprehend, Forecast, |
Vortrainierte KI-Services für Bild-/Videoanalyse, Personalisieren von Kundenerfahrungen, Dokumentenanalyse, Natural Language Processing etc. |
Unterstützung von Frameworks wie TensorFlow, PyTorch, Apache MXNet |
|
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 |
|
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 |
|
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 |
|
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 |
|
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 |
|
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 |
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 |
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 |
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 |
|
Pattern |
ML; Web-Mining-Modul für Python |
Anwendungen u. a. Data-Mining (Google, Twitter, Wikipedia etc.), Natural Language Processing, Clustering, Netzwerkanalyse |
|
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 |
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 |