「柯潔は2つの石を与えられた」が、それでもAIに負けた。プログラマーが知っておくべきトップ10のAIライブラリとフレームワークはこちら

[51CTO.comより引用] 遅かれ早かれ、この日はやって来る。イ・セドルがアルファ碁に1対4で負けた日から、すべての囲碁プレイヤーは時代が加速し、未来が想像の100倍の速さで私たちに向かって押し寄せていることを理解した。

[[217827]]

その時点では、AIが人間を追い越すことは決して終わりではありません。ディープラーニングによって可能になった急速な進歩により、人間が格下げされるか、駒を放棄しない限り、人間がチェス盤でAIと対等に対話することはすぐに不可能になるでしょう。好むと好まざるとにかかわらず、この事実に直面しなければなりません。

2018年1月9日、Fine Artの***オープン版を装備し、「Fine Art Instructor A」という別名をつけて、ハンディキャップ2石（ハンディキャップ6.5ポイントの黒）でプロのチェスプレイヤーと対戦する旅を始めました。

1月16日正午、NIPOHC（韓一州七段）に勝利し、銀冠棋士（全国チャンピオン）に対する初勝利を獲得した。1月12日から16日まで、14連勝を達成した。1月17日午後8時現在、31局を戦い、27勝4敗となった。極めて高い勝率は確かに印象的ですが、それはまた、Jueyi の強さに対する人々の「期待」に応えています。

[[217828]]

1月17日は柯潔にとって楽しい日ではなかった。「ジュエイAコーチとゲームをしよう」という観客の叫びに直面して、柯潔は快く同意し、ジュエイAコーチをゲームに招待した。

驚くべきことに、プロのチェス選手、しかも最強の選手が、公開試合でハンディキャップを与えられた。この瞬間、柯潔はプライドを捨てて勇敢になることを選んだ。強力な AI に直面して、人間は並外れた勇気と優雅さを示しました。

囲碁における人間と機械の戦いにおいて、ハンディキャップゲームでプロの囲碁プレイヤーがAIに敗れたのは、今回が初めてのことだ。具体的には、テンセントの囲碁AI「Jueyi」が、現囲碁チャンピオンの柯潔を2つの石で破った。さらに、戦い全体はわずか77手で終わったので、柯潔はかなり早く敗北したと言える。

柯潔は今朝、微博でこう言った。「これからは私を仏将と呼んでください…」囲碁界の最強の人物は最近、気分が浮き沈みしているようだ～

おそらく、将来の人間と機械の戦争のサスペンスは、何人の人間が勝つ必要があるかということになるでしょう。テンセントは、今回柯潔を破った刹易は2017年10月に発表されたAlphaGo Zeroの論文を参考にし、実践で改良を加えたと述べた。

このバージョンは、40 ブロックのデュアル Resnet モデルを使用し、Jueyi の古いバージョンに基づいて強化学習を実行し、自分自身と何百万ものチェスゲームをプレイします。

テンセントは強化学習と教師あり学習を組み合わせてトレーニングを加速し、限られたリソースと時間内でチェスのスキルを迅速に向上させたと報じられている。

[[217829]]

現在、AIはますます人気の分野となっています。プログラマーは新しいテクノロジーに最も敏感なグループです。プログラマーとして、人工知能にどのように取り組むことができますか?

この記事では、人工知能 (AI) の分野でよく使用される高品質なソフトウェアライブラリをいくつか紹介し、その長所と短所、独自の特徴を分析します。

AIはかつてはオタクや天才だけが手を出す専門分野として知られていましたが、現在ではさまざまなソフトウェアライブラリやフレームワークの開発により、多くの人が関わるよりオープンなIT分野となっています。

それでは、AI ライブラリの複雑な世界を詳しく見て探索してみましょう。

テンソルフロー

C++ または Python での「データフローグラフを使用した計算によるスケーラブルな機械学習」。

AI に関して言えば、おそらく最初に耳にするフレームワークは Google の TensorFlow でしょう。

TensorFlow は、データフローグラフを使用して数値計算を実行するためのオープンソースライブラリです。このフレームワークの特徴は、デスクトップ、サーバー、さらにはモバイルデバイスのアーキテクチャに関係なく、任意の CPU または GPU をコンピューティングに利用できることです。このフレームワークは、Python でのプログラミング環境を提供します。

TensorFlow は、ノードと呼ばれるものを通じてデータのレイヤーを分解し、取得した情報について決定を下します。

詳細については、https://www.tensorflow.org/ をご覧ください。

利点:

シンプルで習得しやすい言語である Python を使用します。
計算グラフの抽象化を採用する。
TensorBoard によって提供される視覚化。

デメリット:

Python は最速の言語ではないため、ライブラリは高速に実行されません。
さまざまな事前トレーニング済みモデルが不足しています。
完全にオープンソースではありません。

マイクロソフトCNTK

「オープンソースのディープラーニングツールキット」。言語: C++。

これは、Google の TensorFlow に対する Microsoft の「応答」と言えるでしょう。

Microsoft の Computational Network ToolKit (CNTK) は、計算ネットワークのモジュール性と分解を改善し、さまざまな学習アルゴリズムとモデルの説明を提供するソフトウェアライブラリです。

多数のサーバーを実行する必要がある場合、CNTK は複数のサーバーを使用して同期的に実装できます。 Google TensorFlow から保護された機能もいくつかあると言われていますが、まだ判断するには時期尚早のようです。

詳細については、https://github.com/Microsoft/CNTK を参照してください。

利点:

非常に柔軟です。
分散トレーニングを実現できます。
C++、C#、Java、Python をサポートします。

デメリット:

これは、新しい言語であるネットワーク記述言語 (NDL) によって実装されます。

視覚化が不十分です。

テアノ

「数値計算用のソフトウェアライブラリ。」言語: Python。

Theano は TensorFlow の強力な競合相手です。さまざまな多次元配列に関連する数値演算を効率的に実装できる強力な Python ライブラリです。

ソフトウェアライブラリは、動作中に CPU に負担をかけずに、GPU を正確に使用してさまざまなデータ集約型の計算を実行できます。

このため、Theano は、電力システム内のさまざまな大規模で計算集約的な操作を実行するために、ほぼ 10 年にわたって使用されてきました。

しかし、2017 年 9 月、Theano は、2017 年 11 月の最後のメジャーリリース以降、バージョン 1.0 の更新を停止すると発表しました。

もちろん、これは機能が劣るという意味ではありません。興味があればいつでも調べてみる価値はあります。

詳細については、https://github.com/Theano/Theano を参照してください。

利点:

CPUとGPUの使用が適切に最適化されます。
効率的なデジタルタスク処理機能。

デメリット:

ネイティブ Theano は他のソフトウェアライブラリよりもレベルが低いため、より高いレベルの抽象化を実現するには他のソフトウェアライブラリと併用する必要があります。
AWS 上で実行するといくつかバグが発生します。

カフェ

「ディープラーニングのためのオープンフレームワークで、高速です。」言語: C++。

Caffe は強力なディープラーニングフレームワークです。上記のリストにある他のフレームワークと比較して、高速かつ効率的なディープラーニングスタイルの研究が可能になります。

Caffe を使用すると、画像分類用の畳み込みニューラルネットワーク (CNN) を簡単に構築できます。 Caffe は GPU 上で効率的に動作し、動作中は非常に高速になります。

詳細については、http://caffe.berkeleyvision.org/ をご覧ください。

Caffe の主なクラスは次のとおりです。

利点:

Python および MATLAB へのバインディングが利用可能です。
運用パフォーマンス***
各モデルはコードを書かずにトレーニングできます。

デメリット:

再帰ネットワークのサポートが不十分です。
新しいアーキテクチャとの互換性が低い。

ケラス

「人間のためのディープラーニング」。言語: Python。

Keras は、Python で書かれたオープンソースのニューラルネットワークライブラリです。 TensorFlow、CNTK、Theano とは異なり、Keras はエンドツーエンドの機械学習フレームワークとしては機能しません。

代わりに、インターフェースとして、フレームワークに関係なくニューラルネットワークを簡単に構成できる高レベルの抽象化を提供します。

現在、Google TensorFlow はバックエンドとして Keras をサポートできますが、Microsoft の CNTK が将来 Keras をサポートするかどうかについては予定がありません。

詳細については、https://keras.io/ をご覧ください。

利点:

ユーザーフレンドリーで使いやすい。
拡張も簡単。
CPU と GPU 上でシームレスに実行されます。
Theano および TensorFlow とシームレスに連携します。

デメリット:

スタンドアロンフレームワークとして使用することはできません。

トーチ

「オープンソースの機械学習ライブラリ」。言語: C。

Torch は、研究と数値計算用に構築されたオープンソースの機械学習ライブラリです。これは、Python ライブラリではなく、Lua プログラミング言語に基づいています。多数のアルゴリズムを提供することで、ディープラーニングの研究が容易になるだけでなく、効率と速度も向上します。

Torch には強力な N 次元配列があり、スライスやインデックス作成などの操作に非常に便利です。また、線形代数の手順とニューラルネットワークのモデルも提供します。

詳細については、http://torch.ch/ をご覧ください。

利点:

非常に柔軟です。
非常に高速かつ効率的です。
多数の事前トレーニング済みモデルを備えています。

デメリット:

ドキュメントが不明瞭です。
プラグアンドプレイコードが不足しています。
これはあまり人気のない言語である Lua をベースにしています。

アコード.NET

「.NET を使用した機械学習、コンピュータービジョン、統計、科学計算をサポートします」、言語: C#。

C# プログラマー向けのソフトウェアライブラリである Accord.NET は、オーディオや画像のさまざまな処理を容易にする .NET 用の機械学習フレームワークです。

このフレームワークは、数値最適化、人工ニューラルネットワーク、さらには視覚化などの側面を効率的に処理できます。さらに、Accord.NET には、いくつかの簡単なアルゴリズムで実現できるコンピュータービジョンと信号処理の強力な機能もあります。

詳細については、http://accord-framework.net/ をご覧ください。

利点:

大規模かつ活発な開発チームを擁しています。
非常に優れたドキュメントフレームワークを備えています。
高品質な可視化が可能です。

デメリット:

このフレームワークはあまり人気がありません。
TensorFlow よりも実行速度が遅くなります。

Spark MLライブラリ

「スケーラブルな機械学習ライブラリ」。言語: Scala。

Apache の Spark MLlib は、非常にスケーラブルな機械学習ライブラリです。サポートされているプログラミング言語には、Java、Scala、Python、さらにはRも含まれます。

Python と R 言語の NumPy ライブラリを通じて非常に効率的に対話できます (翻訳者注: NumPy システムは、Python のオープンソースの数値計算拡張機能です)。

MLlib は Hadoop ワークフローに簡単に統合できます。また、分類、回帰、マージなどの機械学習アルゴリズムも提供します。この強力なソフトウェアライブラリは、大規模なデータ処理に関しては非常に高速です。

詳細については、https://spark.apache.org/mllib/ を参照してください。

利点:

大量のデータを非常に高速に処理できます。
複数の言語をサポートします。

デメリット:

学習曲線は「急峻」です（つまり、学習が容易ではありません）。
Hadoop ではプラグアンドプレイのみが可能です。

サイエンスキットラーン

「Python による機械学習」、言語: Python。

SCI-Kit は、主に機械学習のさまざまなモデルを構築するために使用される非常に強力な Python ライブラリです。

Numpy、SciPy、Matplotlib などのライブラリを使用することで、分類、回帰、反転などの統計モデルに非常に適しています。 SCI-Kit は、教師あり学習アルゴリズム、教師なし学習アルゴリズム、相互検証などの機能も提供します。

詳細については、http://scikit-learn.org/ をご覧ください。

利点:

多くの主流のアルゴリズムをサポートできます。
効果的なデータマイニングを提供します。

デメリット:

モデルの構築には最適ではありません。
GPU を使用する場合、効果は 100% ではありません。

MLPack

「スケーラブルな C++ 型機械学習ライブラリ」、言語: C++。

MLPack は、C++ でのスケーラブルな機械学習のためのソフトウェアライブラリです。 C++ で実行されるため、効率的なメモリ管理が期待できます。

MLPack は、ライブラリに付属する高品質の機械学習アルゴリズムにより、非常に高速に実行されます。さらに、ソフトウェアライブラリは初心者にとって非常に「使いやすく」、シンプルな API を提供します。

詳細については、http://mlpack.org/ をご覧ください。

利点:

非常にスケーラブルです。
Python および C++ バインディングが提供されます。

デメリット:

適切なドキュメントがありません。

要約する

この記事で紹介したさまざまなソフトウェアライブラリは、いずれも長期使用によって高い評価を受け、高品質が保たれています。

Facebook、Google、Yahoo、Apple、Microsoft などの大企業は、すでにディープラーニングや機械学習のプロジェクトでこれを使用しています。それを試さない理由は何ですか?

[[217830]]

Julian Chen は、IT プロジェクト、エンタープライズ運用、リスク管理の分野で 10 年以上の経験を持ち、日々の業務にはシステムセキュリティのあらゆる側面が含まれています。 CISSP 認定資格保有者として、さまざまな専門誌に「IT 運用・保守の六経神剣」「法律事務所の IT サービス管理」「株式取引ネットワークシステムにおけるセキュリティ設計」などの論文を発表しています。また、彼は「誠実さと環境トーク」シリーズのブログ投稿やさまざまな外国の技術翻訳の共有と更新を続けています。彼はかつて、(ISC)2 による第 9 回アジア太平洋情報セキュリティ最高業績認定プログラムで「情報セキュリティ実践者」に選ばれ、2015 年には Future-S 中国 IT ガバナンスおよび管理実践者に選ばれました。

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]

<<: AIとCVで「Jump Jump」をプレイし、張小龍の最高スコア6000以上を上回った

>>: 文部科学省が文書を発表：AI、アルゴリズム等が2018年度から高等学校の教育課程に取り入れられる！