Αρχική Ανοιχτή δημόσια διαβούλευση για τη Βίβλο Ψηφιακού Μετασχηματισμού 2020-20257.6. Αξιοποίηση προηγμένων τεχνολογιώνΣχόλιο του χρήστη ΕΥΘΥΜΗΣ ΒΑΪΟΠΟΥΛΟΣ, Ο.ΤΕ.Ν / ΟΤΕ | 17 Δεκεμβρίου 2020, 19:57
Υπουργείο Ψηφιακής Διακυβέρνησης Δικτυακός Τόπος Διαβουλεύσεων OpenGov.gr Ανοικτή Διακυβέρνηση |
Πολιτική Προστασίας Δεδομένων Προσωπικού Χαρακτήρα Πολιτική Ασφαλείας και Πολιτική Cookies Όροι Χρήσης Πλαίσιο Διαλόγου |
Creative Commons License![]() Με Χρήση του ΕΛ/ΛΑΚ λογισμικού Wordpress. |
Δομικά Στοιχεία Πλατφόρμας ΤΝ/ΜΜ Η Πλατφόρμα ΤΝ/ΜΜ θα πρέπει να περιλαμβάνει open source εργαλεία και frameworks για ΤΝ και ΜΜ, τέτοια που να καλύπτουν ευρύ φάσμα επιθυμητών χαρακτηριστικών. Ως παράδειγμα αναφέρουμε open source frameworks ΤΝ, όπως το tensorflow (Google), το pytorch (Facebook) και το mxnet (Amazon) που συνδυαστικά καλύπτουν ευρεία γκάμα χαρακτηριστικών. Μία αρκετά εκτενής λίστα χαρακτηριστικών των open source frameworks για ΤΝ είναι: κοινότητα ανάπτυξης και υποστήριξης, τεκμηρίωση και δημοτικότητα, ευκολία εκμάθησης, απλή αρχιτεκτονική σχεδίασης μοντέλων και διαισθητικό API, δυνατότητες παρακολούθησης & οπτικοποίησης εκτέλεσης, (για παράδειγμα, tensorboard), δυναμικά γραφήματα υπολογισμών, εκτέλεση σε κινητές συσκευές & browsers, συμβατότητα με τις διαδεδομένες γλώσσες προγραμματισμού (language support), δυνατότητες debugging, ευελιξία και ταχύτητα εκτέλεσης (performance), υποστήριξη GPUs, κλιμάκωση (scalability), φορητότητα (portability along platforms), δυνατότητες model serving και κατανεμημένης εκτέλεσης μοντέλων, high-level API για πρωτοτυποποίηση vs low-level efficiency (imperative vs declarative model building), imperative API υψηλής απόδοσης, στιβαρή ενσωμάτωση μοντέλων σε παραγωγικά συστήματα, χρήση για επιχειρηματικές vs χρήση για ερευνητικές εφαρμογές ΤΝ, βιβλιοθήκες έτοιμων μοντέλων (για παράδειγμα για μηχανική όραση ή για NLP), δυνατότητα διεπαφής με άλλα frameworks (όπως big data frameworks, spark or hadoop), υποστήριξη OpenCL. Κάθε AI framework έχει τα δικά του δυνατά σημεία για παράδειγμα το tensorflow έχει μεγάλη κοινότητα ανάπτυξης και άριστη παρακολούθηση & οπτικοποίηση εκτέλεσης συγκριτικά με το pytorch και το mxnet, από τα οποία, το μεν πρώτο έχει δυνατότητα για δυναμικά γραφήματα υπολογισμών και ευκολία εκμάθησης το δε δεύτερο έχει διαισθητικό imperative API υψηλής απόδοσης και γενικά άριστη απόδοση στην εκτέλεση των μοντέλων (ενώ υποστηρίζει με απλό τρόπο χρήση πολλών GPUs και βελτιστοποίηση στο χρόνο εκτέλεσης με παράλληλη επεξεργασία, κατανεμημένη επεξεργασία, κ.α.). Τα παραπάνω frameworks ΤΝ αλλά και frameworks για ΜΜ διαθέτουν εκτενείς βιβλιοθήκες αλγορίθμων (συστατικών-μηχανισμών για σύνθεση μοντέλων) αλλά και έτοιμων μοντέλων τα οποία δύνανται να βελτιστοποιηθούν για να εκτελεστούν παράλληλα ή κατανεμημένα σε ισχυρά υπολογιστικά συστήματα, όπως αυτά που περιγράφονται στην ενότητα 7.6.1, «Υπολογιστικά Συστήματα Υψηλών Επιδόσεων». Οι ερευνητές και μηχανικοί, αξιοποιώντας τη γνώση που διαθέτουν, μπορούν να αναπτύξουν αρχιτεκτονικές μοντέλων που υποστηρίζουν μεταφορά μάθησης ή αλλιώς προσαρμογή πεδίου (domain adaptation), ώστε λύσεις και μοντέλα που θα έχουν εφαρμοστεί και λειτουργήσει σε συγκεκριμένους τομείς να υιοθετούνται, αφού πρώτα υποστούν την κατάλληλη προσαρμογή, για επίλυση προβλημάτων σε άλλους τομείς. Σε κάθε περίπτωση, εν τέλει θα πρέπει να ελεγχθεί & διασφαλιστεί η στιβαρότητα, η αξιοπιστία η ασφάλεια, και η προσβασιμότητα των συστατικών των frameworks ΤΝ/ΜΜ που θα ενσωματωθούν στην Πλατφόρμα και η ασφάλεια και προστασία των δεδομένων που θα χρησιμοποιούνται εκεί.