Maschinelles Lernen für .NET-Entwickler: ML.NET wird GA

Es ist schön und gut, sukzessive Plattformen für maschinelles Lernen (ML) für Datenwissenschaftler bereitzustellen, aber wenn wir das nicht tun Wenn Sie Geschäftsentwickler an Bord holen, werden ML und künstliche Intelligenz (KI) einfach nicht zum Mainstream werden Unternehmen. Angesichts seines aktuellen Fokus auf KI und seines historischen, anhaltenden Fokus auf Entwickler spürt Microsoft dieses Problem vielleicht am stärksten. Und das gilt auch für die entwicklungsorientierte Ausrichtung von Microsoft Konferenz aufbauen Da das Unternehmen heute in Seattle startet, ist es angemessen, dass das Unternehmen die allgemeine Verfügbarkeit bekannt gibt ML.NET Rahmen.

Sie wissen wahrscheinlich, dass .NET die Entwicklungsplattform für Unternehmenssoftware von Microsoft ist und nur noch wenige Jahre vor dem Abschluss ihres zweiten Jahrzehnts steht. Das wissen Sie vielleicht nicht mit einer Variante von .NET namens .NET CoreDie Plattform ist jetzt Open Source und funktioniert unter macOS und Linux sowie dem Microsoft-eigenen Windows-Betriebssystem. ML.NET ist ebenfalls Open Source und plattformübergreifend und bringt die ML-Extras zu .NET-Entwicklern.

Muttersprache

Anstatt .NET-Entwicklern leichthin zu sagen, dass sie lernen sollen PythonMicrosoft lässt sie wissen, dass sie maschinelles Lernen jetzt in der vertrauteren Umgebung des Mainstreams durchführen können C# Sprache. ML.NET macht dies möglich und Microsoft hat eine GitHub-Repo mit einer Reihe von Beispielen, um .NET-Entwicklern zu zeigen, wie das geht.

Entwickler können direkt mit der ML.NET-Anwendungsprogrammierschnittstelle (API) oder der möglicherweise komfortableren Befehlszeilenschnittstelle (CLI) arbeiten. Unter der Haube nutzt ML.NET seinen eigenen Satz von ML-Algorithmen (basierend auf der verwendeten ML-Technologie). seit vielen Jahren intern bei Microsoft) sowie Datentypen und stellt unterstützende Erweiterungen bereit der populäre TensorFlow unter anderem Deep-Learning-Framework. Es bietet auch Unterstützung für die ONNX Rahmenübergreifender Standard für die Bereitstellung von KI-Modellen.

AutoML und der Model Builder

Microsofts eigenes Automated Machine Learning (AutoML) kann verwendet werden, um den geeigneten ML-Algorithmus und die zugehörigen Konfigurationseinstellungen auszuwählen, die als bezeichnet werden Hyperparameter, indem Sie einfach Trainings-/Testdaten bereitstellen und ermitteln, welche Spalte diejenige ist, deren Werte angezeigt werden sollen vorhergesagt werden. AutoML kann über die ML.NET-CLI und ihre API verwendet werden.

Lesen Sie auch: AutoML demokratisiert und verbessert die KI

Aber es ist wirklich die Visual Studio Model Builder-Erweiterung – die in der Abbildung oben in diesem Beitrag dargestellt ist und heute in der Vorschau veröffentlicht wird – bei der Microsoft eine beeindruckende Leistung abliefert. Mit Model Builder können Entwickler ein Szenario auswählen und dann ihren Datensatz und die darin enthaltene Zielspalte (Beschriftung) identifizieren.

Laut Microsoft wird Model Builder dann „schnell viele Modelle und Feature-Pipelines durchlaufen, um die beste Leistung für Sie zu finden.“ Modell.“ Außerdem wird Modelltrainings- und Verbrauchscode für das leistungsstärkste Modell generiert, wodurch die Einbettung von KI in benutzerdefinierte Modelle zum Kinderspiel wird Software.

Kinderleicht?

Redmonds Ziel ist es, maschinelles Lernen in Unternehmensanwendungen so alltäglich zu machen, wie es der Datenbankzugriff heute ist, und genauso einfach hinzuzufügen. Es ist, als ob das Team „Rechtsklick, KI hinzufügen“ zu seinem Mantra gemacht hätte.

Vielleicht wird dieses Mantra noch eine Weile ehrgeizig bleiben. Aber es ist ein realistisches Ziel. Obwohl Datenwissenschaft nicht trivial ist, gibt es eine Menge davon angewandt Datenwissenschaft, die teilweise oder vollständig automatisiert werden kann. Es gibt auch Teile der KI-Arbeit, die ohnehin routiniert und mühsam sind. Datenwissenschaftler sollten diese Arbeit nicht manuell erledigen müssen, und ihre Kunden und Klienten sollten sie nicht dafür bezahlen müssen.

---

Muss lesen

Microsoft Build 2019 Tag 1 Livestream: So können Sie ihn ansehen (CNET)

10 Tricks und Hacks zum Anpassen von Windows 10 (kostenloses PDF) (TechRepublic)

---

Wie ist das Szenario?

AutoML von Microsoft eignet sich derzeit für ML-Szenarien mit Klassifizierung und Regression. Unterdessen zielt die Nicht-AutoML-Seite von ML.NET auf Szenarien ab, darunter unter anderem Stimmungsanalyse, Problemklassifizierung, Prognose, Empfehlungen, Betrugserkennung und Bildklassifizierung. Irgendwann wird AutoML aufholen und auch die meisten, wenn nicht alle, dieser Szenarien angehen. Und Model Builder wird es .NET-Entwicklern bequem machen, davon zu profitieren.

(Beachten Sie, dass die Model Builder-Erweiterung derzeit als Vollversion verfügbar ist Visual Studio-IDE Produkt für Windows und nicht Visual Studio-Code oder Visual Studio für Mac)

Stapelzusammenhalt

Bedenken Sie, dass Microsoft über eine Reihe von AI/ML-Eigenschaften hinausgeht, die über ML.NET hinausgehen. In der Cloud gibt es Azure Machine Learning, Kognitive Dienste, Azure Databricks und der Spark- und ML-Services-Clustertyp aktiviert HDInsight. Vor Ort gibt es SQL Server-Dienste für maschinelles Lernen sowie verschiedene Technologien wie die Kognitives Toolkit.

Lesen Sie auch: Databricks kommt zu Microsoft Azure

Microsoft muss sein Portfolio an KI/ML-Technologien rationalisieren, und das kann durchaus sein Die AutoML-Technologie wird das verbindende Element sein und als Funktion in diesen verschiedenen Produkten zum Vorschein kommen Dienstleistungen. Zum Wohle seines Ökosystems sollte Microsoft die Gründung dieser Union beschleunigen. Die heutigen ML.NET-Ankündigungen scheinen ein gutes Zeichen dafür zu sein, dass das Unternehmen genau das tut.