ACUMOS هوش مصنوعی چیست؟

Acumos AI یک پلت فرم منبع باز برای توسعه، انتشار و استقرار برنامه های کاربردی هوش مصنوعی است. این مقاله موارد زیر را به شما آموزش می دهد: ACUMOS AI چیست، ویژگی ها و معماری آن چیست و مدل های هوش مصنوعی چگونه توسعه می یابند؟

هوش مصنوعی (AI) یکی از بهترین اختراعات بشر است و نقش مهمی در زندگی روزمره ما دارد. ما از بسیاری از برنامه‌های هوش مصنوعی در بسیاری از جریان‌ها مانند تجارت، مدیریت سلامت، خرده‌فروشی، امنیت سایبری هوشمند، برای بهبود ارتباطات فضای کاری، ربات‌های گفتگو و بسیاری موارد دیگر استفاده می‌کنیم. اما، چالش برانگیزترین کار، استقرار این برنامه های کاربردی هوش مصنوعی و همچنین توسعه مدل های هوش مصنوعی است. ACUMOS AI بهترین راه حل برای تقویت رشد هوش مصنوعی است. در این مقاله به همه چیز  در مورد ACUMOS AI می پردازیم.

ACUMOS AI چیست؟

ACUMOS AI یک پلتفرم منبع باز است که به ساخت، استقرار و اشتراک‌گذاری آسان برنامه‌های هوش مصنوعی کمک می‌کند. این برنامه توسط Tech Mahindra و AT&T توسعه داده شد و توسط بنیاد یادگیری عمیق لینوکس میزبانی شد. ACUMOS یک اکوسیستم بزرگ را ارائه می دهد که برای ساخت مدل های هوش مصنوعی یادگیری ماشینی و یادگیری عمیق به طور بسیار موثر استفاده می شود. این ابزار به توسعه دهندگان و مربیان مدل کمک می کند تا بر روی هسته تمرکز کنند و نوآوری را سرعت می بخشد.

ویژگی های ACUMOS AI

هوش مصنوعی ACUMOS یک اکوسیستم کامل برای چرخه زندگی یادگیری ماشینی و هوش مصنوعی است. بهترین ویژگی های ACUMOS AI به شرح زیر است:

• ACUMOS AI به API اجازه می دهد تا با ابزار و مدل ها به عنوان Microservice ارتباط برقرار کند.
• برنامه های هوش مصنوعی را در محیط ابری به عنوان تصاویر Docker استخراج می کند.
• ابزار Design Studio از ACUMOS AI برای توسعه کد برنامه نویسی بصری برای برنامه های کاربردی هوش مصنوعی استفاده می شود.
• این استقرار و توسعه آسان را با Dockerization برنامه های هوش مصنوعی فراهم می کند.
• تجربه کاربری پیشرفته در پورتال با ساخت مدل، انتشار، نصب، استقرار و غیره.
• رمپ های ورودی برای مدل های ML و ابزار هوش مصنوعی ارائه می دهد.
• تفاوت را نسبت به کتابخانه های یادگیری عمیق / یادگیری ماشینی که توسط API مشترک محصور شده اند طبقه بندی می کند.
• با ACUMOS، اضافه کردن مدل ها و ابزار آسان است.
• ACUMOS AI به اشتراک گذاری مدل ها برای بهبود ایجاد برنامه اجازه می دهد.
• با استفاده از Visual IDE، مدل‌ها و ابزارها را می‌توان به راحتی ایجاد کرد و نیازی به مهارت کدنویسی نیست.

چارچوب هوش مصنوعی ACUMOS

چارچوب ACUMOS AI به شرح زیر است:

Athena

Athena اولین نسخه از پلتفرم ACUMOS AI در سال 2018 است. این قابلیت استقرار مدل‌ها در زیرساخت ابری یا در محیط Kubernetes بر روی سخت‌افزار خود کاربران، از جمله ماشین‌های مجازی و سرورها را فراهم می‌کند. با Athena ، می توان باگ ها و مشکلات را در حین توسعه مدل های هوش مصنوعی شناسایی و از بین برد.

Boreas

Boreas دومین نسخه از پلتفرم ACUMOS AI در سال 2019 است. این پلتفرم تغییرات قابل توجهی را در همه اجزا و پشتیبانی از مدل‌های Dockerized، PFA و ONNX روی برد ایجاد می‌کند. Boreas از یک سیستم پیشرفته از طریق فرآیند کنترل شده اشتراک و انتشار کاتالوگ شریک پشتیبانی می کند.

Clio

Clio سومین نسخه از پلتفرم ACUMOS AI است که در سال 2019 نیز عرضه شده است. این پلتفرم شامل ویژگی های جدید است و تمام اشکالات اجزا را برطرف می کند. Clio دارای یک ویژگی عالی است که به توسعه دهندگان کمک می کند تا خطوط لوله داده NiFi را ایجاد، ادغام و مستقر کنند. این امکان ادغام ONAP را برای بهینه سازی و اتوماسیون عناصر شبکه مجازی فراهم می کند.

Demeter

Demeter فریمورک بعدی ACUMOS AI در سال 2020 است. این یک پلتفرم کانتینری است که شامل عملکردهای بومی ابری، اجرای انعطاف پذیری و مقیاس بندی افقی است. Demeter از مدل های Dockerized و Pre-dockerized با فایل هایی برای رندر مدل ها در استودیوی Design پشتیبانی می کند.

Elpis

Elpis نسخه آتی پلتفرم هوش مصنوعی ACUMOS است و انتظار می رود به زودی منتشر شود.

ACUMOS AI Architecture

ACUMOS AI بهترین ساختاری است که با راه حل های یکپارچه خود به ساخت مدل های هوش مصنوعی خلاقانه کمک می کند. این یک پلت فرم منبع باز برای استقرار، صدور مجوز، بسته بندی، و به اشتراک گذاری مدل های هوش مصنوعی به عنوان یک میکروسرویس، پورتابل و منتشر می کند و آنها را در یک کاتالوگ ایمن منتشر می کند.

معماری هوش مصنوعی ACUMOS شامل پنج ماژول مهم است که نقش مهمی در روند توسعه هوش مصنوعی ایفا می کنند. بیایید آن پنج ماژول را با جزئیات بررسی کنیم.

رابط برای انواع مختلف مدل‌ها

هدف اصلی از Onboarding، ارائه یک رابط از طریق وب یا رابط خط فرمان (CLI) برای انواع مختلف مدل‌ها است. این به ایجاد شناسه ها و مصنوعات مورد نیاز در پلت فرم ACUMOS کمک می کند. مدل‌های Onboarding موجود در چهار زبان داخلی کلاینت‌های ACUMOS مانند R، C++، Java وPython. کتابخانه‌های Onboard Format Analytics (PFA) و Open Neural Network eXchange (ONNX) برای استقرار و بهبود واردات و اکسپورت مدل‌های یادگیری عمیق از چارچوب‌های مختلف هوش مصنوعی استفاده می‌شوند.

Design Studio

Design Studio یک مخزن کامپوننت است که شامل موتور ترکیب، Generic Data Mapper Service، SQL Data Broker، TOSCA Model Generator Client و CSV Data Broker است. به سادگی، این یک ابزار گرافیکی در ACUMOS است که برای فیلتر کردن، زنجیر کردن و مدل‌ها طراحی شده است که می‌تواند برای حل مشکلات داده‌های مختلف استفاده شود.

SDN و ONAP

شبکه تعریف شده با نرم افزار  SDN یک کنترل کننده شبکه جهانی را فراهم می کند که منابع شبکه را مدیریت، تخصیص و تهیه می کند. از توانایی فراخوانی سایر کنترلرهای SDN محلی، از جمله کنترلرهای SDN شخص ثالث پشتیبانی می کند.

پلت فرم اتوماسیون شبکه باز ((ONAP با هدف ارائه عملکرد، تست امنیتی برای اجزای ONAP، سطح سیستم، ماژول، مقیاس پذیری و توابع است. محیط تست خودکار و اسکریپت های تست خودکار یا موارد استفاده را توسعه می دهد.

Team UP

در این ماژول، ACUMOS یک اکوسیستم منبع باز برای افراد برای کار، همکاری و به اشتراک گذاشتن راه حل ها و ایده ها برای ارائه خروجی های بهتر فراهم می کند.

Marketplace

ACUMOS یک بازار را فراهم می کند و به عنوان یک سایت برای تصمیم گیری های مبتنی بر داده عمل می کند. حتی هوش مصنوعی را به عنوان یک ابتکار ساده در بازار و استودیو طراحی تبدیل می کند.

مراحل ایجاد مدل های هوش مصنوعی در ACUMOS AI

فرآیند توسعه هوش مصنوعی در پلتفرم هوش مصنوعی ACUMOS شامل چهار مرحله مهم است. آنها به شرح زیر است:

مرحله اول: مدل‌ها و مدل‌های داخلی را ایجاد کنید

ACUMOS AI توسعه، آموزش و استقرار مدل‌های هوش مصنوعی را افزایش می‌دهد. این شامل ابزارها و خدمات توسعه هوش مصنوعی مانند SciKit-Learn، Tensor flow، RCloud، H2O و چندین زبان برنامه نویسی است. هر ابزار در اطراف مجموعه خاصی از کتابخانه ها پیاده سازی می شود. هر ابزار و زبان ها را با یکدیگر سازگار می کند، راه حل های سازگاری که ACUMOS می تواند از آنها استفاده کند و در طول زمان رشد خواهد کرد.

مرحله دوم: در محیط هدف اجرا کنید

در این مرحله فرآیند استقرار انجام می شود. راه حل های بسته ACUMOS در فایل های تصویری Docker را می توان در محیط Docker مستقر کرد و از طریق مجموعه ای از ابزارهای کانتینری مانند Kubernetes مدیریت کرد. ACUMOS Platform ابزارهایی را برای بسته بندی هر مجموعه ای از اجزا از جمله آداپتورها، پیش بینی کننده ها و سایر ریزسرویس ها برای ایجاد یک فایل تصویری سازگار و قابل استقرار در هر محیط زمان اجرا ارائه می دهد.

مرحله سوم: بهبود مدل ها با مجموعه داده های برنامه

گام بعدی ارائه یک رابط آموزشی و آزمایشی است که برای تبدیل یک مدل پایه به یک پیش بینی کننده برای انجام عملکردهای خاص مورد نیاز است. ACUMOS مدل‌های بسته‌بندی شده را بدون تغییر مدل به یک چرخه عمر اجرا و آموزش امن می‌برد. این مرحله را می توان با استفاده از کلاینت های آموزشی سفارشی، ابزارهای کش داده و دسترسی به داده ها انجام داد تا مونتاژ برنامه آموزشی هر مدل آسان شود.

مرحله چهارم: به اشتراک گذاری مدل ها در بازار

ACUMOS فهرستی از عملکردهای مفید ایجاد می‌کند که یک توسعه‌دهنده مؤلفه را به هم متصل می‌کند که جستجو، بازبینی، زنجیره‌بندی و رتبه‌بندی مدل‌های یادگیری ماشین را انجام می‌دهد. ACUMOS یک استودیوی طراحی ارائه می دهد که زنجیره ای از اجزا را با اتصال منابع داده به پیش بینی کننده های مبتنی بر مدل برای عملکرد توابع و درخت تصمیم کارآمد آسان می کند. ادغام میکروسرویس‌های مستقل و کاملاً تعریف‌شده در راه‌حل‌های قدرتمند فناوری اطلاعات را بسیار آسان می‌کند.

این چهار مرحله نقش مهمی در فرآیند توسعه مدل هوش مصنوعی که توسط ACUMOS پشتیبانی می‌شود، بازی می‌کند.

زبان های پشتیبانی شده توسط ACUMOS AI

پلتفرم هوش مصنوعی ACUMOS از ادغام با چندین زبان پشتیبانی می کند تا استقرار مدل های هوش مصنوعی را بسیار آسان تر کند. زبان های پشتیبانی شده R، C++، جاوا و پایتون هستند. زبان های پشتیبانی شده ممکن است گسترش بیشتری داشته باشند که سطح توسعه مدل های هوش مصنوعی را افزایش دهد.

تاثیر ACUMOS در محیط هوش مصنوعی

معمولاً برنامه‌های هوش مصنوعی توسط چارچوب‌های مختلف هوش مصنوعی ساخته می‌شوند. اما، فرآیند ادغام یک کار چالش برانگیز برای مبتدیان است زیرا آنها بر اساس محیط ابری هستند. ACUMOS AI می‌تواند فرآیند یکپارچه‌سازی را با Design Studio مبتنی بر لینوکس انجام دهد و راه آسانی برای استقرار مدل‌های AI فراهم می‌کند. به این ترتیب، ACUMOS AI زمینه هوش مصنوعی را تقویت می کند.

نتیجه

هدف اصلی ACUMOS این است که هوش مصنوعی و یادگیری ماشینی را با ایجاد یک بازار گسترده از راه‌حل‌های قابل استفاده مجدد، منابع از چندین ابزار و زبان برای مخاطبان گسترده در دسترس قرار دهد. این باعث می شود یک توسعه دهنده معمولی که در این زمینه متخصص نیست بتواند به راحتی مدل ها و برنامه های خود را ایجاد کند. چنین پلتفرم هوش مصنوعی برای پاسخگویی به تقاضاهای موارد استفاده تجاری، از جمله خدمات میدانی، تجزیه و تحلیل شبکه، تجزیه و تحلیل مراقبت های بهداشتی، امنیت شبکه، حسابرسی نتایج انتخابات، خدمات ویدئویی پیشرفته، و خدمات مراقبت از مشتری، مورد نیاز است. به عنوان یک منبع باز، توسعه‌دهندگان می‌توانند سریع‌تر راه‌حل‌هایی برای مشکلات واقعی کسب‌وکار ایجاد کنند که در نتیجه ارزش‌های تجاری قابل‌توجهی به دست می‌آید.

در این مقاله یاد گرفتیم که ACUMOS AI چیست، ویژگی ها، چارچوب ها و معماری ACUMOS AI و روند توسعه مدل های AI چیست. امیدوارم اطلاعات برایتان مفید باشید.

منبع