على مدار العقد الماضي، أثبتت نماذج التعلم العميق أنها فعالة للغاية في أداء مجموعة واسعة من مهام التعلم الآلي في مجالات الرؤية والكلام واللغة. من جانبها، تدعي Uber استخدام هذه القوالب في مجموعة متنوعة من المهام، بما في ذلك دعم العملاء، والكشف عن الأشياء، وتحسين البطاقة، والاتصالات المبسطة عبر الإنترنت، والتنبؤ ومنع الاحتيال.
نفذت العديد من المكتبات مفتوحة المصدر، بما في ذلك TensorFlow و PyTorch و CNTK و MXNET و Chainer، من بين أمور أخرى، لبنات البناء اللازمة لبناء مثل هذه النماذج، مما يتيح تطوير أسرع وأقل عرضة للأخطاء. وقد عزز هذا بدوره اعتماد مثل هذه النماذج من قِبل كل من مجتمع البحوث في مجال التعلم الآلي والعاملين في الصناعة، مما أتاح التقدم السريع في التصميم المعماري والحلول الصناعية.
وتقول الشركة: “في Uber AI، قررنا تجنب إعادة اختراع العجلة وتطوير الحزم على أساس متين توفره المكتبات مفتوحة المصدر. تحقيقًا لهذه الغاية، نشرنا في عام 2017 Pyro، وهي لغة برمجة احتمالية عميقة مبنية على PyTorch، واستمرنا في تحسينها بمساعدة مجتمع المصادر المفتوحة. Horovod هي أداة رئيسية أخرى للذكاء الاصطناعي مفتوحة المصدر تم إنشاؤها بواسطة Horovod، وهي بنية تحتية تستضيفها مؤسسة LF Deep Learning Foundation والتي تتيح التدريب الموزع لنماذج التعلم العميق عبر وحدات معالجة الرسومات المتعددة والآلات”.
واستمرارًا لالتزامها بجعل التعليم العميق أكثر سهولة، أصدرت الشركة Ludwig، وهي مجموعة أدوات للتعلم العميق مفتوحة المصدر مبنية على TensorFlow تتيح للمستخدمين تدريب نماذج التعلم واختبارها. في العمق دون كتابة التعليمات البرمجية.
يؤكد أوبر أن “Ludwigفريدة من نوعها في قدرتها على جعل التعلم العميق أسهل للفهم لغير الخبراء وتمكين دورات التكرار أسرع لبناء النماذج للمطورين والباحثين ذوي الخبرة في التعلم التلقائي. باستخدام Ludwig، يمكن للخبراء والباحثين تبسيط عملية النماذج الأولية وتبسيط معالجة البيانات للتركيز على تطوير أبنية التعلم العميق بدلاً من إدارة البيانات”.
المصدر : Uber
