ABONAMENTE VIDEO REDACȚIA
RO
EN
NOU
Numărul 140
Numărul 139 Numărul 138 Numărul 137 Numărul 136 Numărul 135 Numărul 134 Numărul 133 Numărul 132 Numărul 131 Numărul 130 Numărul 129 Numărul 128 Numărul 127 Numărul 126 Numărul 125 Numărul 124 Numărul 123 Numărul 122 Numărul 121 Numărul 120 Numărul 119 Numărul 118 Numărul 117 Numărul 116 Numărul 115 Numărul 114 Numărul 113 Numărul 112 Numărul 111 Numărul 110 Numărul 109 Numărul 108 Numărul 107 Numărul 106 Numărul 105 Numărul 104 Numărul 103 Numărul 102 Numărul 101 Numărul 100 Numărul 99 Numărul 98 Numărul 97 Numărul 96 Numărul 95 Numărul 94 Numărul 93 Numărul 92 Numărul 91 Numărul 90 Numărul 89 Numărul 88 Numărul 87 Numărul 86 Numărul 85 Numărul 84 Numărul 83 Numărul 82 Numărul 81 Numărul 80 Numărul 79 Numărul 78 Numărul 77 Numărul 76 Numărul 75 Numărul 74 Numărul 73 Numărul 72 Numărul 71 Numărul 70 Numărul 69 Numărul 68 Numărul 67 Numărul 66 Numărul 65 Numărul 64 Numărul 63 Numărul 62 Numărul 61 Numărul 60 Numărul 59 Numărul 58 Numărul 57 Numărul 56 Numărul 55 Numărul 54 Numărul 53 Numărul 52 Numărul 51 Numărul 50 Numărul 49 Numărul 48 Numărul 47 Numărul 46 Numărul 45 Numărul 44 Numărul 43 Numărul 42 Numărul 41 Numărul 40 Numărul 39 Numărul 38 Numărul 37 Numărul 36 Numărul 35 Numărul 34 Numărul 33 Numărul 32 Numărul 31 Numărul 30 Numărul 29 Numărul 28 Numărul 27 Numărul 26 Numărul 25 Numărul 24 Numărul 23 Numărul 22 Numărul 21 Numărul 20 Numărul 19 Numărul 18 Numărul 17 Numărul 16 Numărul 15 Numărul 14 Numărul 13 Numărul 12 Numărul 11 Numărul 10 Numărul 9 Numărul 8 Numărul 7 Numărul 6 Numărul 5 Numărul 4 Numărul 3 Numărul 2 Numărul 1
×
▼ LISTĂ EDIȚII ▼
Numărul 77
Abonament PDF

Machine learning și Java - interviu Klevis Ramo

Ovidiu Mățan
Fondator @ Today Software Magazine



INTERVIU

Care credeți că sunt avantajele și dezavantajele folosirii Java în dezvoltarea Machine Learning, comparativ cu alte limbaje precum Python?

Klevis Ramo: În general, Machine Learning a fost cunoscut ca un domeniu de cercetare dedicat studiilor doctorale, informația fiind disponibilă doar în anumite medii academice.  Mai mult, din cauza rezultatelor limitate din trecut, gradul de aplicabilitate și utilizarea efectivă a rezultatelor au fost restrânse. Azi, odată cu Deep Learning constatăm că există rezultate cu aplicabilitate în foarte multe domenii, de la recunoașterea obiectelor la recunoașterea vorbirii. Dezvoltarea aplicațiilor bazate pe Deep Learning devine din ce în ce mai ușoară, deoarece instrumentele și hardware-ul se dezvoltă continuu și există mai multe date ce pot fi utilizate. 

Ce fel de instrumente și framework folosiți în recunoșterea obiectelor?

Klevis Ramo: De obicei, majoritatea rețelelor deja antrenate provin din soluții Python precum Keras,Tesnorflow. Cu siguranță, aceste instrumente și paradigme trebuie cunoscute pentru a putea înțelege și reutiliza lucrările existente. O cunoaștere detaliată a acestor paradigme nu este necesară, iar paradigme Java precum deeplearning4j vă oferă tot ce aveți nevoie pentru a dezvolta aplicații în producție. Tensorflow oferă printre altele un API Java pentru aplicațiile mobile pe Android. Când discutăm de etichetarea datelor, totul depinde de contextul avut în vedere. De exemplu, pentru Object Detection acest tool este opțiunea cea mai bună: https://github.com/puzzledqs/BBox-Label-Tool

Credeți că am putea avea mașini autonome, care să folosească Java pentru procesarea informațiilor?

Klevis Ramo: Deep Learning, așa cum vom vedea în prezentare și detaliat în cadrul atelirului, este portabil între limbaje și paradigme datorită transferului de conținut învățat (Transfer Learning). Luând în considerare stabilitatea oferită de Java și faptul că totul va trebui migrat spre NVIDIA C CUDA, nu văd niciun motiv pentru care să nu putem folosi Deep Learning. Pe măsură ce Deep Learning devine din ce în ce mai familiar pentru inginerii software, vom vedea din ce în ce mai mult limbajul Java și Deep Learning în special pentru Android și alte sisteme Java existente. Pentru ca Deep Learning să devină o forță, trebuie să apeleze mai mult la Java, așa cum vedem în povestea de succes a Android.

Cât de precise sunt modelele curente, cu care lucrați?

Klevis Ramo: Majoritatea rețelelor folosite la prezentare și atelier folosesc Transfer Learning pentru a reutiliza modele antrenate deja în alte limbaje precum Tensorflow, Keras etc. ... Astfel, ne asigurăm că păstrăm acuratețea datelor din lucrarea originală. De exemplu, Java Autonomous Driving se bazează pe lucrarea YOLO.

Unul dintre articolele dvs. prezintă generarea artei computizării. Spuneți-ne mai multe depre tehnică și rezultate.

Klevis Ramo: Pe lângă faptul că este un subiect atractiv și fascinant, transferul neuronal oferă informații valoroase despre impactul straturilor convolutive adânci (deep convolution layers) în învățare. Cu cât mergem mai adânc în straturile unei rețele, cu atât detectăm mai în detaliu neuronii, ceea ce ne permite să identificăm trăsături de nivel înalt precum fețe, mașini, roți. Prin comparație, straturile inițiale/superficiale ale unei rețele identifică doar trăsături precum linii, forme simple, culori. Având aceste informații, permitem unei rețele neuronale să combine trăsăturile de nivel jos dintr-o imagine artistică cu trăsăturile de nivel înalt dintr-o fotografie. Rezultatele sunt foarte interesante, deși obținerea unei rezoluții mai mari va necesita mai multă putere de procesare GPU (așa cum vom explica la atelier).

Veți fi speaker la ediția IT Days de anul acesta și veți avea, de asemenea, un workshop. Povestiți-ne mai multe despre acestea.

Klevis Ramo: În cadrul prezentării vom discuta despre problemele apărute la detecția mașinilor, a semafoarelor și a persoanelor în cadrul unui video, în timp real, folosind CPU (arhitectură asincronă). Atelierul acoperă în detaliu intuiția din spatele modelelor Deep Learning și cum putem folosi această informație pentru a crea aplicații Java reale. Majoritatea tehnicilor și a conceptelor folosite la curs sunt destul de noi (\<2 ani), dar intens utilizate în industrie. Nu sunt necesare cunoștințe anterioare sau matematice. S-ar putea să vă surprindă cât de superficial poate fi Deep Learning, de fapt. Cunosc din proprie experiență obstacolele pe care le poate întâlni un programator Java în ceea ce privește Deep Learning, deci cred că pot transforma această călătorie într-o experiență extraordinară..

NUMĂRUL 138 - Maps & AI

Sponsori

  • Accenture
  • BT Code Crafters
  • Accesa
  • Bosch
  • Betfair
  • MHP
  • Connatix
  • BoatyardX
  • .msg systems
  • Yardi
  • Colors in projects

INTERVIURI VIDEO