说到过去这几年最热门的技术,人工智能毫无疑问是其中最受关注的之一。Gartner的研究报告指出,已经在其企业中部署了人工智能项目的组织已经从2019年的14%上升到了2021年的21%。但是和有意愿更广泛的应用人工智能却尚未部署的组织数量相比,21%这个数字仍然不算高。特别是对于金融、保险、政府这些有严格监管要求的组织,如何能够在将人工智能能力赋予大规模并发的关键应用的同时又不影响这些应用的服务质量成为他们部署人工智能项目的首要挑战。IBM主机机器学习平台(WMLz ——Watson Machine Learning for z/OS)即是针对这一问题而生的。它基于IBM Z所天生拥有的高可用、高可靠和高性能的硬件和架构优势,可以在几毫秒的响应时间内轻松处理大规模的机器学习推理(inferencing)运算。在本文中,我们将为您介绍IBM主机机器学习平台在深度学习推理方面的功能,与您分享如何在2小时内使用其社区版上线实时反欺诈深度学习应用。
深度学习
在谈到人工智能的时候,很多人会立刻想到深度学习。甚至有人认为深度学习是人工智能的代名词。事实上,人工智能是个很宽泛的概念,机器学习只是实现人工智能的方法之一,而深度学习是机器学习中的一个子领域。通常多于三层(包括三层)的神经网络模型被称为深度学习模型。神经网络算法通过模拟人脑运作的方式来挖掘信息之间的关系。神经网络算法本身并不是新的技术。它诞生于上世纪80年代,但是最初的神经网络只有很少的层数。最近十年,随之数据存储能力和计算能力的大幅度提升,数据科学家可以构建超过百层的神经网络并将其应用在包含海量数据的数据集上,进而在图像语音识别、自然语言处理等很多领域取得了重大的突破。除此之外,深度学习也被广泛的应用在结构化数据的分析中,在金融反欺诈,流程自动化等很多企业应用场景中发挥了重要作用。
在深度学习的发展过程中,开源社区的贡献功不可没。一代代深度学习框架在功能、性能和易用性上不断突破,让越来越多的人,特别是非计算机专业的人才,可以将深度学习应用于各自的领域。TensorFlow、Caffe、Caffe2、PyTorch都是当今流行的深度学习框架。它们提供了丰富的API和充分优化过的神经网络算法实现,使用户能够轻松而高效的创建自己的深度学习模型。
ONNX——开放的机器学习模型格式
另一方面,社区的碎片化也给深度学习的商业化应用带来了挑战。背景不同的数据科学家会对不同的深度学习框架和编程语言有自己的偏好。当深度学习模型被交付给开发人员时,开发人员可能需要把一种自己完全不熟悉的深度学习框架库集成到自己的应用中,这往往需要大量的学习成本和与数据科学家团队的沟通成本,从而大幅度的拖慢项目进度,增加项目成本。
ONNX(Open Neural Network Exchange)是一个开放的机器学习生态系统,它提供了用来表示机器学习模型的开放格式。ONNX定义了一个可扩展的计算图模型、一组常用的操作符和标准的数据类型。通过ONNX,各个深度学习框架之间可以实现互操作并可以在共享的格式更有针对性的就行性能优化。ONNX得到了业界的广泛支持,包括Facebook、微软、IBM、华为等有公司都积极参与到了ONNX社区的建设中来。PyTorch、Caffe2、CNTK等主流深度学习框架内置了对ONNX格式的支持。TensorFlow、Keras等也有相应的开源项目来完成从各自格式到ONNX的