10 ferramentas de inteligência artificial open source para trabalhar

Procurando por uma framework/ferramenta open source para trabalhar com Inteligência Artificial Open Source? Conheça os 10 IA Open Source do momento:

TensorFlow

TensorFlow é uma biblioteca de software open source, originalmente desenvolvida por pesquisadores e engenheiros do Google Brain Team.

Fornece várias APIs, entre elas a API de nível mais baixo, TensorFlow Core, que provê o controle de programação completo, e as APIs de nível superior, construídas no topo do TensorFlow Core. As de nível superior geralmente são mais fáceis de aprender e usar do que o TensorFlow Core. Além disso, as APIs de nível superior tornam as tarefas repetitivas mais fáceis e mais consistentes entre os diferentes usuários.

Uma API de alto nível, como o tf.estimator, por exemplo, ajuda o dev a gerenciar data sets, estimators, treinamento e inferência.

Alguns aplicativos do Google que fazem uso do tensor flow são:

• RankBrain: Deploy em grande escala de redes neurais profundas para classificação de pesquisa em www.google.com
• Inception Image Classification Model: Modelo baseline e acompanhamento de pesquisa em modelos de visão computacional de alta precisão, começando com o modelo que ganhou o desafio de classificação de imagem (Imagenet 2014)
• SmartReply: Modelo LSTM para gerar respostas de email automáticas
• Massively Multitask Networks for Drug Discovery: um modelo de rede neural profunda para identificar candidatos promissores a medicamentos pelo Google em associação com a Universidade de Stanford.
• On-Device Computer Vision for OCR: modelo de visão computacional embarcado para reconhecimento de caracteres ópticos que possibilitam fazer uma tradução em tempo real

Apache SystemML

O SystemML, tecnologia de aprendizado de máquina criada na IBM, alcançou status de projeto de nível superior na Apache Software Foundation. É um sistema de machine learning flexível e escalonável. Entre as características mais importantes estão:

• Customização de algoritmo por meio de linguagens semelhantes à R e semelhantes ao Python.
• Inúmeros modos de execução, incluindo o Spark MLContext, o Spark Batch, o Hadoop Batch, Standalone e o JMLC (Java Machine Learning Connector).
• Otimização automática baseada em dados e características de cluster para garantir eficiência e escalabilidade.
• O SystemML é considerado o “SQL para aprendizado de máquina”. A versão mais recente (1.0.0) do SystemML suporta Java 8+, Scala 2.11+, Python 2.7/3.5+, Hadoop 2.6+ e Spark 2.1+.

Caffe

O projeto Caffe foi iniciado por Yangqing Jia durante seu Ph.D. na Universidade de Berkeley, nos EUA, e depois desenvolvido pela Berkeley AI Research (BAIR) e por colaboradores da comunidade. Concentra-se principalmente em redes convolucionais para aplicações de visão computacional. O Caffe é uma escolha estável e popular para tarefas relacionadas à visão por computador e você pode fazer o download de muitos modelos de sucesso feitos por usuários do Caffe Model Zoo (link abaixo) para uso imediato.

Vantagens:

• Arquitetura expressiva incentiva a aplicação e a inovação. Modelos e otimização são definidos por configuração sem codificação complexa. Alterna entre CPU e GPU ao definir uma flag única para treinar em uma máquina GPU e então faz o deploy em commodity clusters ou dispositivos móveis.
• Código extensível promove desenvolvimento ativo. No primeiro ano do Caffe, mais de 1.000 desenvolvedores fizeram o fork e contribuíram com evoluções significativas no projeto.
• A velocidade torna o Caffe perfeito para experimentos de pesquisa e implementação no setor. O Caffe pode processar mais de 60 milhões de imagens por dia com uma única GPU NVIDIA K40.
• Comunidade: O Caffe oferece suporte a projetos de pesquisa acadêmica, protótipos de startups e até aplicações industriais em larga escala em visão computacional, fala e multimídia.

Apache Mahout

O Mahout foi projetado para permitir que matemáticos, estatísticos e cientistas de dados implementem rapidamente seus próprios algoritmos. O Apache Spark é o backend distribuído pronto para uso ou pode ser estendido para outros backends distribuídos.

• Scala DSL matematicamente expressiva
• Suporte para vários backends distribuídos (incluindo o Apache Spark)
• Solvers nativos modulares para aceleração de CPU/GPU/CUDA

O Apache Mahout atualmente implementa áreas incluindo filtragem colaborativa (CF), clustering e categorização.

OpenNN

O OpenNN implementa métodos de mineração de dados como um conjunto de funções. Eles podem ser incorporados em outras ferramentas de software usando uma interface de programação de aplicativos (API) para a interação entre a ferramenta de software e as tarefas de análise preditiva. A principal vantagem do OpenNN é seu alto desempenho. Ele é desenvolvido em C++ para melhor gerenciamento de memória e maior velocidade de processamento e implementa a paralelização da CPU por meio de aceleração OpenMP e GPU com CUDA.

O pacote vem com testes de unidade, muitos exemplos e extensa documentação. Fornece uma estrutura eficaz para pesquisa e desenvolvimento de algoritmos e aplicativos de redes neurais. O Neural Designer é uma ferramenta profissional de análise preditiva que usa o OpenNN, o que significa que o mecanismo neural do Neural Designer foi construído usando o OpenNN.

Essa biblioteca de classes em código aberto foi projetada para aprender a partir de conjuntos de dados e também de modelos matemáticos.

Torch

O Torch é usado pelo Facebook AI Research Group, pela IBM, pelo Yandex e pelo Idiap Research Institute. Ele foi estendido para uso em Android e iOS e usado para construir implementações de hardware para data flows como aqueles encontrados em redes neurais.

O Facebook lançou um conjunto de módulos de extensão como software de código aberto.

O PyTorch é uma biblioteca de aprendizado de máquina de código aberto para Python, usada para aplicativos tais como os de processamento de linguagem natural. Ele é desenvolvido principalmente pelo grupo de pesquisa de inteligência artificial do Facebook, sendo que o software “Pyro” do Uber para programação probabilística também é construído sobre ele.

Neuroph

O Neuroph pode ser usado para criar e treinar redes neurais em programas Java. A Neuroph fornece biblioteca de classes Java, assim como a ferramenta (GUI) easyNeurons para criar e treinar redes neurais. O Neuroph é um framework de rede neural Java leve para desenvolver arquiteturas de redes neurais comuns. Ele contém uma biblioteca Java de código aberto bem projetada com um pequeno número de classes básicas que correspondem aos conceitos básicos do NN. Ele também tem um bom editor de rede neural para criar componentes de rede neural Java rapidamente. Foi lançado como código aberto sob a licença Apache 2.0.

As classes core do Neuroph correspondem a conceitos básicos de redes neurais como neurônios artificiais, camada de neurônios, conexões de neurônios, peso, função de transferência, função de entrada, regra de aprendizado etc. Todas essas classes podem ser estendidas para criar redes neurais e regras de aprendizado personalizadas.

Deeplearning4j

O Deeplearning4j tem como objetivo ser um “plug & play” de ponta com baixa configuração, o que permite uma rápida prototipagem para não pesquisadores. Trata-se da primeira biblioteca distribuída de deep learning em código aberto, de nível comercial, escrita para Java e Scala.

O DL4J é personalizável em escala. É capaz de importar modelos de redes neurais da maioria dos principais frameworks via Keras, incluindo TensorFlow, Caffe e Theano, fazendo a ponte entre o ecossistema Python e a JVM com um kit de ferramentas colaborativo para cientistas de dados, engenheiros de dados e DevOps. O Keras é empregado como API Python do Deeplearning4j.

Mycroft

O Mycroft é tido como o primeiro assistente de voz de código aberto do mundo e pode ser usado em qualquer coisa, desde um projeto de ciências até um aplicativo de software de nível empresarial.

Também funciona em qualquer lugar – em um computador desktop, dentro de um automóvel ou em um Raspberry Pi. Por ser ferramenta open source, pode ser livremente baixado e melhorado.

OpenCog

O OpenCog é um conjunto diversificado de algoritmos cognitivos, cada qual carregando suas próprias inovações – mas o que torna a arquitetura geral poderosa é sua adesão cuidadosa ao princípio da sinergia cognitiva. O OpenCog foi originalmente baseado no lançamento em 2008 do código-fonte da “Novamente Cognition Engine” (NCE) de propriedade da Novamente LLC. O código original da NCE é discutido no livro PLN. Vale lembrar que o desenvolvimento do OpenCog é suportado pelo Instituto de Pesquisa de Inteligência Artificial Geral (AGIRI), pelo projeto Google Summer of Code e outros.

Fonte: DZone.com

Gostou do conteúdo? Tem alguma dúvida? Entre em contato com nossos Especialistas Mandic Cloud, ficamos felizes em ajudá-lo.