Prise en charge de Python ajoutée à la bibliothèque open-source NeoML d’ABBYY

La société d’intelligence numérique ABBYY a annoncé une nouvelle mise à jour majeure pour sa bibliothèque de machine learning open-source et cross-platform, NeoML. La plateforme permet aux développeurs de créer, de former et de déployer des modèles de machine learning, et la nouvelle mise à jour apporte la prise en charge de la langue de programmation Python, qui est la langue la plus utilisée pour la machine learning et l’IA.

Le nouveau cadre implique également des améliorations de vitesse de 5-10 fois et plus de 20 nouvelles méthodes de machine learning, dont 10 couches de réseau et des méthodes d’optimisation. NeoML prend en charge les puces Apple (AAPL ) M1, la GPU sur les machines Linux et la GPU Intel (INTC ), ce qui signifie une expansion des cas d’utilisation et des scénarios pour la bibliothèque. Cela signifie également que les développeurs peuvent utiliser le cadre pour créer des applications et des solutions alimentées par l’IA.

La popularité de Python

Python est utilisé dans diverses industries pour des tâches telles que l’automatisation, le développement web, la scripting, le scraping web et l’analyse de données. Il est utilisé par des entreprises telles que Google (GOOGL ), Pinterest, Spotiffy, Dropbox (DBX ) et de nombreuses autres.

En dehors du secteur privé, l’académie utilise également Python pour enseigner aux étudiants comment programmer. La polyvalence de Python est ce qui lui donne une telle popularité, et le nouveau développement d’ABBYY permet encore plus aux développeurs et aux entreprises d’utiliser NeoML pour créer, former et déployer des modèles pour l’identification d’objets, la classification, la segmentation sémantique, la vérification et la modélisation prédictive.

NeoML

Avec les nouvelles améliorations de vitesse, NeoML est l’un des cadres de machine learning les plus rapides disponibles, offrant jusqu’à 10 fois de meilleures performances pour les algorithmes classiques et jusqu’à 30 % de meilleures performances pour la formation et l’inférence de réseaux de neurones par rapport au cadre précédent.

Lorsqu’il est comparé aux deux principales bibliothèques de machine learning open-source, NeoML offre une performance moyenne 50 % plus rapide. En raison de cela, le cadre est particulièrement utile pour les applications cross-platform et orientées client. L’efficacité élevée de NeoML dans le cloud signifie que les entreprises peuvent utiliser les ressources cloud disponibles de la meilleure manière possible.

Bruce Orcutt est vice-président senior du marketing de produit chez ABBYY.

« L’open source est un moteur puissant de l’innovation technologique. Nous visons à soutenir les progrès de l’intelligence artificielle en travaillant ensemble avec la communauté des développeurs pour faire croître et améliorer notre bibliothèque open-source », a déclaré Orcutt. « NeoML ouvre de nouvelles opportunités pour les développeurs, leur permettant d’expérimenter, de créer et de lancer des initiatives innovantes tout en profitant de la vitesse d’inférence élevée du cadre, de son indépendance de plate-forme et de son support pour les appareils mobiles. Nous invitons tous les développeurs, les scientifiques des données et les universitaires à utiliser et à contribuer à NeoML sur GitHub. »

NeoML peut traiter et analyser des données dans divers formats, tels que le texte, l’image, la vidéo et plus. Les modèles peuvent être appliqués dans le cloud, sur site, dans le navigateur et sur appareil, et la bibliothèque prend en charge les langages de programmation C++, Java et Objective C. Elle offre également plus de 20 algorithmes de machine learning traditionnels, tels que la classification, la régression et le regroupement de framework.

Les modèles de réseau de neurones de NeoML prennent en charge plus de 100 types de couches, et la bibliothèque est cross-platform, capable d’être exécutée sur des systèmes d’exploitation tels que Windows, Linux, macOS, iOS et Android, et elle est optimisée pour les processeurs CPU et GPU.

NeoML est déjà utilisé par des développeurs aux États-Unis, au Canada, en Allemagne, aux Pays-Bas, au Brésil, en Chine, en Inde et en Corée du Sud. Le cadre est disponible sur GitHub.