AI är hett på de flesta plan i dag, alla från utvecklare till intresserad allmänhet frossar i olika aspekter av ämnet. I praktiken är det främst olika lösningar för maskininlärning som kommer till praktisk användning.

Egentligen kan man lika gärna kalla maskininlärning för dataanalys, som för AI. Men eftersom tekniken gör helt nya analyslösningar möjliga är det naturligt att sortera in den under paraplybegreppet AI.

Ett sätt att beskriva maskininlärning är att det är en svart låda, i vilken man stoppar in data och får ut förutsägelser. Men hur gör man i praktiken för att bygga en lösning?

Den populäraste teknikplattformen för maskininlärning i dag verkar vara Googles kodbibliotek Tensorflow. Ofta kallas Tensorflow för ett ramverk, i stället för ett kodbibliotek. Skillnaden mellan de båda begreppen kan tyckas oviktig, men skaparna av Tensorflow kallar det i alla fall för ”ett öppet kodbibliotek för maskinintelligens”.

Techworlds systersajt Infoworld beskriver den senaste versionen, 1.5, med orden ”mer kapabelt, mer moget, samt enklare att lära sig och att använda”. Så här fungerar det:

Med Tensorflow kan man träna och köra ”djupa” neurala nätverk. Exempel på tillämpningar är att tolka handstil, maskinöversättning, hantering av naturligt språk och olika typer av simuleringar. Man kan vidare jobba med förutsägelser i stor skala, vilket kanske är den typen av tillämpningar de flesta tänker på i samband med maskininlärning.

Läs också: Här är de fem stora AI-trenderna 2018

Det finns överhuvudtaget ett brett stöd för besläktade tekniker och produkter. Ett exempel i mängden är Keras som är ett bibliotek för avancerade neurala nätverk.

Vad gäller hårdvara finns det stöd för vanliga processorer och för Nvidias grafikprocessorer. Tensorflow kan köras på Windows, Ubuntu Linux, Mac OS, Android och IOS. Och det går naturligtvis att använda Tensorflow på de mest populära molnplattformarna. Det finns stöd för flera språk, varav Python är mest framträdande. Det finns vidare ett verktyg för att visualisera modeller som heter Tensorboard.

Infoworld beskriver installationen av Tensorflow som tämligen bekymmersfri, för den typ av produkt som det är. Ett område som har förbättrats väsentligt sedan de tidigaste versionerna av Tensorflow är att det blivit lättare att lära sig. Det beror inte minst på ett bättre utbud av guider och kom-i-gång-hjälp, från Google och andra.

När man väl kommit i gång med att bygga modeller märks det att det i många fall krävs mindre kodning med Tensorflow 1.5 än med äldre versioner.

Vad är det för kod som behöver skrivas? Enkelt uttryckt handlar det om ”högnivåkommandon”. En kodrad innebär ett anrop av rutin i Tensorflowbiblioteket som utför åtskilliga uppgifter. Inget konstigt med det, det är det kanske främsta skälet till att använda kodbibliotek.

Läs också: BI-döden är här – de gamla verktygen hänger inte längre med

Men programmeraren måste ha koll på det övergripande flödet i en lösning, även om det hårda jobbet på detaljnivå sköts av färdiga rutiner i Tensorflow. Infoworld beskriver det flödet så här:

  • Ladda data.
  • Bygga flödesgrafen (matematiska operationer, ta in data och skicka ut resultat, läsa och skriva variabler, kommunikation mellan noder i en graf, etcetera).
  • Starta en session.
  • Köra i gång träningen av modellen, med de data som laddats.

Det här låter kanske enkelt, men de verkligt svåra delarna tas inte om hand, som att man måste förstå matte, klara av att hitta och göra ordning data som ska användas och tolka resultat. Men Tensorflow, och andra liknande lösningar, underlättar det praktiska arbete som behöver göras.