Machine-Learning-Frameworks: Welche Anwendungen mit welchem Dienst schreiben?
Viele Anbieter offerieren Frameworks und Cloud-Dienste für Machine-Learning-Programme. Die neue Oktober-iX zeigt, welche sich Entwickler näher ansehen sollten.
Wer mit dem Programmieren von Machine-Learning-Anwendungen beginnt, will meist nicht bei Null anfangen. Stattdessen bieten viele Bibliotheken, Frameworks und Cloud-Dienste einen einfachen Einstieg – aber Vorsicht ist geboten, wie die aktuelle iX 10/2019 erklärt, denn je nach gewünschtem Ergebnis kann es ebenso eine falsche Wahl geben.
Die meisten Dienste und Frameworks stehen unter einer Open-Source-Lizenz und sind auf Python zugeschnitten. Meist existieren jedoch auch Anbindungen an andere Sprachen. Das beliebte TensorFlow zum Beispiel hat Google als Apache-2.0-Software veröffentlicht, neben dem Python-Modul kann der Entwickler ab Werk auf Implementierungen für Java, C++, Go und Swift zurückgreifen. Darüber hinaus können die optimierten Algorithmen der Frameworks die Berechnungen mit – sofern vorhanden – einer dedizierten Grafikkarte beschleunigen.
Bei einer Low-Level-API kann der Programmierer die Algorithmen und den Ablauf des Lernvorgangs detailliert seinen eigenen Vorstellungen nach anpassen. Wer weniger Code schreiben will, sollte auf ein High-Level-API mit vorkonfektionierten Algorithmen zurückgreifen. No-Code- und Low-Code-Frameworks setzen hingegen auf eine grafische Oberfläche, sodass man sich nicht mit dem Quelltext auseinandersetzen muss. Das Automated Machine Learning (AutoML) verspricht außerdem, dass das Framework ohne Zutun des Entwicklers den besten Algorithmus ermittelt.
Eine vergleichende Ăśbersicht aktueller Frameworks und Cloud-Dienste fĂĽr ML-Anwendungen finden Interessierte im Artikel.
Siehe dazu auch:
- Machine Learning: Machine-Learning-Frameworks und -Services im Vergleich, iX 10/2019, S. 78.
(fo)
