Как пройти в нейросетевую библиотеку?

5 августа 2019 г.

Российская PuzzleLib разработала фреймворк для создания нейронных сетей, конкурирующий с Google и Facebook. Его можно использовать почти во всех сферах: в государственном и промышленном секторе, в машиностроении, банках, образовании.


 

По конвейеру идут детали. Самообучаемая нейросеть через оптические датчики быстро определяет, какие из них бракованные, и дает команду их изъять. Это лишь одно из множества возможных применений нейросетевой библиотеки PuzzleLib, которая была разработана компанией «Нейросети Ашманова». Компания является резидентом Кластера информационных технологий Фонда «Сколково» и недавно внесена в Единый реестр российских программ для электронных вычислительных машин и баз данных. Об особенностях нового решения и перспективах его применения Digital Enterprise рассказывает сооснователь и генеральный директор компании «Нейросети Ашманова» Станислав Ашманов.

— Станислав, словосочетание «нейросетевая библиотека» странно звучит для уха человека непосвященного. Представляется этакий стеллаж с книгами, читальный зал… Что из себя на самом деле представляет решение PuzzleLib?

— Библиотека PuzzleLib, конечно, это не традиционная библиотека, где можно найти нужную книгу. PuzzleLib — это программное решение, с помощью которого пользователь может найти нужный инструмент, собрать нейронную сеть под конкретную задачу, визуализировать ее архитектуру, запустить обучение этой нейронной сети и выгрузить обученную сеть для использования.

— Получается, что PuzzleLib — это своеобразный конструктор, который позволяет создать нужную ему нейросеть?

— Да, это так. Чтобы построить и обучить нейронную сеть для конкретной задачи, нужен конструктор или компилятор нейронных сетей, то есть нейробиблиотека, или нейронный фреймворк. На данный момент в мире существует 9 фреймворков, среди которых выделяются решения, созданные в компаниях Google и Facebook. Протестировав разные фреймворки, мы сделали вывод, что с большинством нейробиблиотек удобно проводить эксперименты, однако их нельзя использовать в реальных приложениях, то есть в так называемом production. Поэтому мы решили создать свою библиотеку, которая обладает важными конкурентными преимуществами.

— Какие уникальные преимущества имеет ваша нейросетевая библиотека по сравнению в том числе с ведущими мировыми решениями от тех же Google и Facebook? 

— К уникальным характеристикам нашего решения относятся высокая скорость и хорошо оптимизированная структура. Оно имеет компактный дистрибутив (за счет минимума сторонних зависимостей), поддержку AMD (нейросетевые вычисления выполняются на языке OpenCL), также у нас есть поддержка мобильных графических карт Apple GPU (уже есть) и Android GPU (планируется в 2019 г.). Наша библиотека удобна для экспериментов, имеет высокую скорость работы в production. Также у нас есть поддержка NVIDIA, при этом без зависимости от лицензий NVIDIA: мы разработали свой ассемблер для процессоров NVIDIA и разрабатываем на нем аналог cuDNN. Кроме того, библиотека может работать на всех основных операционных системах (семейство Linux, Windows, Mac OS, iOS и Android), здесь есть автоматическая оптимизация вычислений, насчитывается более 60 видов нейросетевых модулей, которые позволяют строить сверточные, рекуррентные нейросети и сети с произвольными графами вычислений.

— Можно ли объяснить эти технические данные более простым языком? Какие коммерческие преимущества они дают вашему пользователю? 

— Упрощенно говоря, наше решение быстро и эффективно, оно имеет простое и понятное устройство модулей, отличается простой установкой и сборкой. Также наше решение можно легко дорабатывать и быстро добавлять нужный функционал. Мы как разработчики быстро реагируем на запросы заказчиков и пользователей библиотеки. Для российских компаний будет очень важным моментом, что мы осуществляем поддержку наших клиентов в РФ. Да и вообще мы российская разработка: библиотека разрабатывается на территории страны, юридически мы российская организация, резидент «Сколково», также наше решение внесено в реестр российского ПО. Кроме того, мы планируем обеспечить поддержку отечественных процессоров «Эльбрус», «Байкал» и «ЭЛВИС ELISE», использующихся в производстве российских компьютеров, устройств промышленной автоматизации, вычислителей, мультимедийных устройств и т. д. Повторюсь, что с технической точки зрения перестроиться на новую библиотеку будет несложно, поскольку заказчикам предоставляются подробная консультация и обучающие материалы по ее эксплуатации.

— В каких отраслях может использоваться ваш продукт, какие задачи он позволяет решать? В чем заключается бизнес-модель использования продукта для ваших клиентов? 

— Нашу библиотеку можно использовать во многих отраслях: это и государственный сектор, где обучаемые нейронные сети могут применяться, например, в голосовании, работе пропускных систем, службы безопасности. Так, на основе PuzzleLib в Пенсионном фонде России уже внедряется автоматическая обработка обращений граждан в контактные центры через распознавание голоса. Большие возможности наша библиотека может дать в финансовом секторе — в работе банков, страховых компаний, а также в нефтегазовой сфере, машиностроении, металлургии (например, нейронные сети уже хорошо зарекомендовали себя в системах контроля сплавов металлов). Или это вообще может быть любое предприятие с конвейерной сборкой: на основе нашей библиотеки можно создать систему распознавания бракованных деталей по видео. PuzzleLib можно применять в транспорте, образовании, сельском хозяйстве: например, на основе нашего решения можно создавать определение примерной популяции паразитов на определенных участках — данные об этом получаются с помощью анализа фотографий, сделанных в заданных местах.

— Сколько клиентов на сегодняшний день пользуется вашим продуктом? Можно ли раскрыть объем ваших продаж? Что можно сказать о ваших ближайших планах по развитию продукта, по объемам и географии продвижения?

— PuzzleLib пока что не является продуктом, поэтому на эти вопросы мы не можем дать конкретных ответов. Разумеется, мы продолжаем развивать наше решение. Чтобы превратить PuzzleLib в полноценного конкурента TensorFlow и прочих нейробиблиотек, мы планируем в 2019 году начать формировать свое сообщество и выпустить библиотеку в open source, запустить сайт с документацией, обучающими материалами и примерами, улучшить удобство использования, увеличить количество типов поддерживаемых систем и процессоров, скорость и функциональность библиотеки, которая, мы убеждены, будет очень востребована как в России, так и за рубежом.

     

Источник: dx.media