ABBYY
18.06.2020, 10:17 Uhr

NeoML: Neue Open-Source KI-Bibliothek

ABBYY hat die Open-Source KI-Bibliothek NeoML veröffentlicht. Das Framework bietet leistungsstarke Algorithmen zum Erstellen von Anwendungen mittels Deep Learning und traditionellem maschinellen Lernen.
(Quelle: abbyy.com )
ABBYY hat die Open-Source-Bibliothek NeoML für das Erstellen, Trainieren und die Bereitstellung von Modellen für maschinelles Lernen vorgestellt. NeoML ist ab sofort auf GitHub verfügbar und unterstützt sowohl Deep Learning als auch herkömmliche Algorithmen des maschinellen Lernens, die sich für Aufgaben wie prädiktive Analysen und Risikomanagement eignen. Das plattformübergreifende Framework ist laut Hersteller für Anwendungen optimiert, die in Cloud-Umgebungen sowie auf Desktop- und Mobilgeräten ausgeführt werden. Im Vergleich zu anderen Open-Source-Bibliotheken soll NeoML eine bis zu 15 Prozent schnellere Leistung bei der Inferenz von trainierten Modellen bieten. Die Kombination aus höherer Inferenzgeschwindigkeit und Plattformunabhängigkeit macht die Bibliothek interessant für mobile Lösungen, die eine nahtlose Kundenerfahrung mit Datenverarbeitungsaufgaben vereinen.
Da Open Source bei der Entwicklung unternehmenskritischer Software zu einer Grundvoraussetzung geworden ist und 95 Prozent der IT-Führungskräfte Open-Source-Ansätze als strategisch wichtig erachten, unterstützt ABBYY Forschungen in der künstlichen Intelligenz, indem es sein Rahmenwerk für maschinelles Lernen als Open Source zur Verfügung stellt. Entwickler können NeoML verwenden, um Modelle zur Objektidentifizierung, Klassifizierung, semantischen Segmentierung, Verifizierung und vorausschauenden Modellierung zu erstellen, zu trainieren und einzusetzen. So können verschiedene Geschäftsziele erreicht werden. Einer der Hauptvorteile des Frameworks ist laut ABBYY seine Cloud-Kompatibilität, die es Unternehmen ermöglicht, die verfügbaren Cloud-Ressourcen optimal zu nutzen.
NeoML ist als universelles Werkzeug zur Verarbeitung und Analyse von Daten in einer Vielzahl von Formaten wie Text, Bild, Video, und weiteren Formaten konzipiert. Es unterstützt die Programmiersprachen C++, Java und Objective-C. Python soll in Kürze folgen. Die neuronalen Netzwerkmodelle von NeoML unterstützen über 100 Layer-Typen. Außerdem bietet es mehr als 20 traditionelle ML-Algorithmen wie Klassifizierungs-, Regressions- und Clustering-Frameworks. Die Bibliothek ist vollkommen plattformübergreifend, wodurch ein Code auf allen gängigen Betriebssystemen einschließlich Windows, Linux, MacOS, iOS und Android ausgeführt werden kann. Zudem ist sie sowohl für CPU- als auch für GPU-Prozessoren optimiert.
"Die Einführung von NeoML ist unser Beitrag, um die Digitalisierung und KI-Nutzung über alle Branchen hinweg voranzutreiben", berichtet Ivan Yamshchikov, KI-Evangelist bei ABBYY. "Mit über 400 Patenten und Patentanmeldungen kann ABBYY bereits eine Erfolgsgeschichte technologischer Innovation vorweisen. Wir bieten Entwicklern die Nutzung unseres Frameworks, um sie dabei zu unterstützen, die Inferenz-Geschwindigkeit zu erhöhen, plattformübergreifend zu arbeiten und mobile Nutzungsmöglichkeiten zu verbessern. Im Gegenzug trägt ihr fachliches Feedback dazu bei, die Bibliothek zu verbessern und auszubauen. Junge Forscher und KI-Enthusiasten zu fördern und gleichzeitig neue Anwendungsgebiete für KI und Maschinelles Lernen zu erschließen, ist uns ein Herzensanliegen."
NeoML unterstützt Open Neural Network Exchange (ONNX), ein globales offenes Ökosystem für interoperable ML-Modelle, das die Kompatibilität von Tools verbessert und es Entwicklern erleichtern soll, die richtigen Kombinationen zu verwenden, um ihre Ziele zu erreichen.
ABBYY lädt Entwickler, Datenwissenschaftler und Business-Analysten ein, NeoML auf GitHub zu verwenden und an NeoML beizutragen. Der Code ist unter der Apache-Lizenz 2.0 lizenziert. Das Unternehmen bietet personalisierten Entwickler-Support, laufende Überprüfung von Berichten, regelmäßige Aktualisierungen sowie kontinuierliche Leistungsverbesserungen. Zudem ist geplant, neue Algorithmen und Architekturen hinzuzufügen und die mit den Framework-Algorithmen erreichbaren Geschwindigkeiten weiter zu erhöhen.
Weitere Informationen über NeoML, die Bibliothek für maschinelles Lernen, finden Sie unter https://github.com/neoml-lib

Das könnte Sie auch interessieren