أصدرت Google إطار عمل TensorFlow للتعلم الآلي خصيصًا للبيانات الرسومية

قدمت Google مؤخرًا التعلم الهيكلي العصبي (NSL)، وهو إطار عمل مفتوح المصدر للتعلم الآلي (الذكاء الاصطناعي)، يستخدم طريقة تعلم الرسم البياني العصبي لتدريب الشبكات العصبية بناءً على مجموعة من البيانات ومجموعة متنوعة من الرسوم البيانية والبيانات المنظمة بشكل مختلف.

على وجه الخصوص، تم تصميم NSL لتحقيق توافق ممتاز مع TensorFlow - وهي مكتبة برمجيات مفتوحة المصدر للتعلم الآلي في مجموعة متنوعة من المهام المعرفية وفهم اللغة - وهي مصممة خصيصًا لكليهما، ويمكن استخدامها من قبل ممارسي التعلم الآلي المتمرسين وعديمي الخبرة. بشكل أساسي، يمكن لـ NSL إنشاء نماذج رؤية حاسوبية، ونشر البرمجة اللغوية العصبية (NLP)، وتشغيل التنبؤات من مجموعات البيانات الرسومية مثل السجلات الطبية أو الرسوم البيانية، والرسوم البيانية المعرفية.

• جوجل تطلق تحديثًا طارئًا لمتصفح Chrome، ويجب على المستخدمين التحديث فورًا

التعلم المنظم العصبي هو إطار عمل مفتوح المصدر للتعلم الآلي

"إن الاستفادة من الإشارات الهيكلية المحددة أثناء التدريب تسمح للمطورين بالحصول على نماذج بدقة أكبر، خاصة عندما تكون كمية البيانات المصنفة صغيرة نسبيًا. ويساعد التدريب المعتمد على الإشارات المنظمة أيضًا في إنشاء نماذج أكثر قوة. وقال الفريق الهندسي في TensorFlow في منشور بالمدونة: "لقد تم استخدام هذه الأنواع من تقنيات التدريب على نطاق واسع داخليًا في Google لتحسين أداء النماذج بطريقة أكثر إيجابية وأسرع".

يمكن لـ NSL تدريب نماذج التعلم الآلي من خلال التعلم الخاضع للإشراف الكامل، أو التعلم شبه الخاضع للإشراف، أو التعلم غير الخاضع للإشراف، وبالتالي إنشاء النماذج، ويستخدم النموذج إشارات رسومية لتوحيد عملية التدريب، وفي بعض الحالات باستخدام أقل من 5 أسطر من التعليمات البرمجية.

• تطلق Google Google Go عالميًا، وهو إصدار خفيف للغاية يحتوي على العديد من الميزات المفيدة، والذي يمكن أن يحل محل تطبيق Googe

الهيكل التشغيلي لإطار التعلم المنظم العصبي

بالإضافة إلى ذلك، يحتوي هذا الإطار الجديد أيضًا على عدد من الأدوات المضمنة التي يمكن أن تساعد المطورين في هيكلة بياناتهم وواجهات برمجة التطبيقات الخاصة بهم لإنشاء نماذج تدريب تنافسية مع الحد الأدنى من عدد أسطر التعليمات البرمجية.

في وقت سابق من شهر أبريل، قدمت Google Cloud أيضًا بعض الحلول التدريبية للبيانات المنظمة، مثل الأوراق المرتبطة في BigQuery وAutoML Tables.

في أخبار أخرى تتعلق بمجال الذكاء الاصطناعي، أصدرت Google AI (المعروفة سابقًا باسم Google Research) الأسبوع الماضي أيضًا أداة مفتوحة المصدر SM3 - وهي مُحسِّن مخصص لنماذج التدريب على اللغات واسعة النطاق مثل BERT من Google وOpenAI من GPT2.

• يتيح تطبيق Google Photos الآن البحث عن الصور حسب النص، واستخراج النص من الصور

صفحة أدوات SM3 مفتوحة المصدر على Github

يمكنك العثور على مزيد من المعلومات حول إطار التعلم الآلي لـ NSL على العناوين التالية:

• https://www.tensorflow.org/neural_structured_learning/
• https://medium.com/tensorflow/introducing-neural-structured-learning-in-tensorflow-5a802efd7afd