مجله علمی تفریحی بیبیس
0

دانلود کتاب طراحی سیستم های یادگیری عمیق

بازدید 939
  • عنوان کتاب: Designing Deep Learning Systems
  • نویسنده: Chi Wang
  • حوزه: یادگیری عمیق
  • سال انتشار: 2023
  • تعداد صفحه: 543
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 17.9 مگابایت

کمی بیش از یک دهه پیش، ما این امتیاز را داشتیم که برخی از ویژگی‌های محصول اولیه‌ای که کاربر نهایی با آن مواجه می‌شود، ایجاد کنیم که توسط هوش مصنوعی تقویت شده‌اند. این یک تعهد بزرگ بود. جمع‌آوری و سازمان‌دهی داده‌هایی که برای آموزش مدل مناسب باشد، در آن زمان یک عمل معمولی نبود. تعداد کمی از الگوریتم های یادگیری ماشین به عنوان کتابخانه های آماده برای استفاده بسته بندی شدند. انجام آزمایشات نیازمند اجرای مدیریت به صورت دستی و ایجاد گردش کار و تجسم های سفارشی است. سرورهای سفارشی برای خدمت به هر نوع مدل ساخته شدند. خارج از شرکت‌های فناوری مبتنی بر منابع، تقریباً تمام ویژگی‌های جدید محصول مبتنی بر هوش مصنوعی از ابتدا ساخته شده‌اند. این یک رویای بسیار گسترده بود که برنامه های هوشمند روزی به یک کالا تبدیل شوند. پس از کار با چند اپلیکیشن هوش مصنوعی، متوجه شدیم که هر بار مراسم مشابهی را تکرار می‌کردیم، و به نظرمان منطقی‌تر بود که یک روش سیستماتیک، با نمونه‌سازی، برای ارائه ویژگی‌های محصول هوش مصنوعی به تولید طراحی کنیم. ثمره این تلاش PredictionIO بود، مجموعه‌ای از نرم‌افزارهای متن‌باز که مولفه‌های نرم‌افزاری پیشرفته را برای جمع‌آوری و بازیابی داده‌ها، آموزش مدل و ارائه مدل گردآوری می‌کرد. کاملاً قابل تنظیم از طریق APIهای خود و قابل استقرار به عنوان خدمات تنها با چند دستور، به کوتاه کردن زمان مورد نیاز در هر مرحله، از اجرای آزمایش‌های علم داده گرفته تا آموزش و استقرار مدل‌های آماده برای تولید کمک کرد. ما بسیار هیجان زده شدیم که متوجه شدیم توسعه دهندگان در سراسر جهان می توانند از PredictionIO برای ایجاد برنامه های کاربردی مبتنی بر هوش مصنوعی خود استفاده کنند که منجر به افزایش شگفت انگیزی برای کسب و کارشان شد. PredictionIO بعداً توسط Salesforce خریداری شد تا مشکل مشابهی را در مقیاسی بزرگتر حل کند. زمانی که تصمیم گرفتیم این کتاب را بنویسیم، صنعت با یک اکوسیستم نرم افزار هوش مصنوعی سالم در حال رشد بود. الگوریتم ها و ابزارهای زیادی برای مقابله با موارد استفاده مختلف در دسترس قرار گرفته اند. برخی از فروشندگان ابری مانند آمازون، گوگل و مایکروسافت حتی سیستم‌های میزبانی کاملی را ارائه می‌کنند که امکان همکاری تیم‌ها در آزمایش، نمونه‌سازی و استقرار تولید در یک مکان متمرکز را فراهم می‌کند. مهم نیست که هدف شما چیست، اکنون انتخاب های زیادی و راه های زیادی برای کنار هم قرار دادن آنها دارید. با این حال، همانطور که ما با تیم‌ها برای ارائه ویژگی‌های محصول مبتنی بر یادگیری عمیق کار می‌کنیم، سؤالات تکراری وجود دارد. چرا سیستم یادگیری عمیق ما اینگونه طراحی شده است؟ آیا این بهترین طراحی برای سایر موارد استفاده خاص است؟ ما متوجه شدیم که مهندسین نرم‌افزار جوان بیشتر از همه این سؤالات را می‌پرسند و با چند نفر از آنها مصاحبه کردیم تا دلیل آن را بیابیم. آنها فاش کردند که آموزش های متعارف مهندسی نرم افزار آنها را برای کار موثر با سیستم های یادگیری عمیق آماده نمی کند. و هنگامی که آنها به دنبال منابع یادگیری گشتند، فقط اطلاعات اندک و پراکنده ای را در مورد اجزای خاص سیستم یافتند، به ندرت هیچ منبعی در مورد اصول اجزای نرم افزار بحث می کرد، چرا آنها را به شکلی که بودند کنار هم قرار دادند و چگونه با هم کار کردند تا یک سیستم کامل را تشکیل دهند. 

A little more than a decade ago, we had the privilege of building some early end user–facing product features that were powered by artificial intelligence. It was a huge undertaking. Collecting and organizing data that would be fit for model training was not a usual practice at that time. Few machine learning algorithms were packaged as ready-to-use libraries. Performing experiments required running management manually and building out custom workflows and visualizations. Custom servers were made to serve each type of model. Outside of resource-intensive tech companies, almost every single new AI-powered product feature was built from scratch. It was a far-reaching dream that intelligent applications would one day become a commodity. After working with a few AI applications, we realized that we had been repeating a similar ritual each time, and it seemed to us that it made more sense to design a systematic way, with prototyping, for delivering AI product features to production. The fruit of this effort was PredictionIO, an open source suite of framework software that put together state-of-the-art software components for data collection and retrieval, model training, and model serving. Fully customizable through its APIs and deployable as services with just a few commands, it helped shorten the time required at every stage, from running data science experiments to training and deploying production-ready models. We were thrilled to learn that developers around the world were able to use PredictionIO to make their own AI-powered applications, resulting in some amazing boosts to their businesses. PredictionIO was later acquired by Salesforce to tackle a similar problem on an even larger scale. By the time we decided to write this book, the industry was thriving with a healthy AI software ecosystem. Many algorithms and tools have become available to tackle different use cases. Some cloud vendors such as Amazon, Google, and Microsoft even provide complete, hosted systems that make it possible for teams to collaborate on experimentation, prototyping, and production deployments at one centralized location. No matter what your goal is, you now have many choices and numerous ways to put them together. Still, as we work with teams to deliver deep learning–powered product features, there have been some recurring questions. Why is our deep learning system designed the way it is? Is this the best design for other specific use cases? We noticed that junior software engineers were the ones most often asking these questions, and we interviewed a few of them to find out why. They revealed that their conventional software engineering training did not prepare them to work effectively with deep learning systems. And when they looked for learning resources, they found only scant and scattered information on specific system components, with hardly any resources discussing the fundamentals of the software components, why they were put together the way they were, and how they worked together to form a complete system.

این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.

Download: Designing Deep Learning Systems

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

بیشتر بخوانید