AI 框架使用排行：TensorFlow、Scikit Learn、IBM Watson

dackel 發(fā)布于2019-04-25 18:26 / 2878人閱讀

摘要：雖然這些都是機(jī)器學(xué)習(xí)工具集，但它們并不是完全取代對(duì)方，這意味著像和這樣一兩種流行框架不會(huì)淘汰其他框架。事實(shí)上，由于四處收購技術(shù)公司具體來說指和，英特爾有多款加速器上榜。

作者簡介：Dan Olds是技術(shù)趨勢和客戶情緒方面的權(quán)威人士，他也是經(jīng)常被知名行業(yè)和商業(yè)出版物頻頻引用的專家，比如《華爾街日?qǐng)?bào)》、彭博新聞社、《Computerworld》、《eWeek》、《CIO》和《PCWorld》等。

AI軟件界在迅速發(fā)展。新的應(yīng)用幾乎每天都在層出不窮，現(xiàn)在正好可以趁機(jī)了解人們到底在用機(jī)器學(xué)習(xí)和其他AI技術(shù)做什么、這些技術(shù)可能何去何從。

我們在之前的兩篇文章中探討了實(shí)際用戶在如何對(duì)待AI，以及如何利用AI來解決問題、優(yōu)化企業(yè)。我們在本文中將深入了解數(shù)據(jù)中心的AI角落，看看公司在使用什么樣的軟硬件。

為此我們OrionX.net開展了一項(xiàng)調(diào)查，向用戶展示了二十幾種AI框架，詢問他們是否打算使用某框架、是否已經(jīng)在使用某框架，或者是否認(rèn)為自己是專家。

很少有人自稱是任何一種框架方面的專家，平均比例在2%左右。TensorFlow和Scikit Learn是兩種更受歡迎的框架，分別有9%和12%的人自稱是這種框架方面的專家。然而如上圖所示，客戶熟悉大量的AI框架，不過他們不認(rèn)為自己是專家。

IBM Watson是使用率排名第三的AI框架，Spark-MLib名列第四。我們驚訝地發(fā)現(xiàn)，所有24種框架都有各自的粉絲和擁躉。你將這樣一份列表拿給調(diào)查用戶看時(shí)，通常會(huì)看到四五種大受歡迎的選擇，其余淪為默默無聞。AI框架方面無疑不是這種情況。

雖然這些都是機(jī)器學(xué)習(xí)工具集，但它們并不是完全取代對(duì)方，這意味著像TensorFlow和Sciket Learn這樣一兩種流行框架不會(huì)淘汰其他框架。

AI硬件：更進(jìn)一步的觀察

那么，這些項(xiàng)目有多龐大？它們用于處理AI的集群又有多龐大？這是我們的發(fā)現(xiàn)結(jié)果。

對(duì)調(diào)查對(duì)象如今從事的所有AI項(xiàng)目而言，平均數(shù)據(jù)量為442 TB，較大單個(gè)項(xiàng)目的平均數(shù)據(jù)量為235 TB。因此，從下面的平均數(shù)據(jù)量來看，調(diào)查中的典型企業(yè)似乎在從事一些很大的項(xiàng)目。

然而，這些統(tǒng)計(jì)數(shù)據(jù)有點(diǎn)欺騙性。如果你看一下中位數(shù)而不是平均數(shù)，真實(shí)情況變得明朗化。AI項(xiàng)目的合并總數(shù)據(jù)量中位數(shù)僅為17TB，而較大單個(gè)項(xiàng)目的數(shù)據(jù)量只有5TB。

平均數(shù)和中位數(shù)之間差異這么大，合理的解釋就是，有一小部分的大型項(xiàng)目讓數(shù)值出現(xiàn)了很大程度的偏差。AI趨勢仍處于起步階段，目前鮮有企業(yè)在開展極其龐大的AI項(xiàng)目。

如果看一下調(diào)查對(duì)象用于其AI項(xiàng)目的平均集群大小，就可以證明這一點(diǎn)。如圖所示，60%以上的調(diào)查對(duì)象擁有節(jié)點(diǎn)數(shù)量不到128個(gè)的集群，一大批調(diào)查對(duì)象使用節(jié)點(diǎn)數(shù)量不到32個(gè)的集群。另一方面，一小批調(diào)查對(duì)象擁有超過2048個(gè)節(jié)點(diǎn)的集群，僅20%的調(diào)查對(duì)象聲稱集群的節(jié)點(diǎn)數(shù)量在512個(gè)到1024個(gè)之間。

這也證實(shí)了我們處于AI時(shí)代的較早時(shí)期。隨著我們進(jìn)一步發(fā)展，可能會(huì)看到AI集群的規(guī)模會(huì)迅速變大。

廣闊的加速器世界

在本次調(diào)查的硬件部分，我們詢問了關(guān)于GPU和FPGA等計(jì)算加速器的幾個(gè)問題。眾所周知，這些便捷的設(shè)備可以加快數(shù)字處理，還可以顯著加快深度學(xué)習(xí)任務(wù)，尤其是在機(jī)器學(xué)習(xí)訓(xùn)練模型方面。GPU已成為大多數(shù)用戶的推薦加速器，但隨著用戶對(duì)專門定制的AI FPGA越來越熟悉，我們預(yù)計(jì)這類加速器的使用量會(huì)逐漸增加。

我們詢問了客戶他們對(duì)于特定的GPU和FPGA加速器有多熟悉，為此給他們看了一份列有眾多候選者的長長列表，詢問他們是否熟悉該設(shè)備或目前是否在使用該設(shè)備。

下表代表了我們在2017年春夏期間所能找到的每一款加速器。到目前為止，可能還有更多的加速器即出現(xiàn)在市面上，或者更大的玩家會(huì)收購本文列表上的更多加速器。

看到80%的調(diào)查對(duì)象使用英偉達(dá)GPU加速器或熟悉英偉達(dá)GPU加速器，這不足為奇。?

AMD GPU和谷歌TPU的熟悉度/使用率不相上下，都是60%多一點(diǎn)，而英特爾的Altera FPGA排在第四位。事實(shí)上，由于四處收購FPGA技術(shù)公司（具體來說指Altera和Movidius），英特爾有多款GPU加速器上榜。

我們沒有料想到的一個(gè)方面是，調(diào)查對(duì)象很熟悉或在使用榜單上不大知名的技術(shù)。就連榜單上知名度/使用量最小的硬件（來自Krtkl，這是一家設(shè)計(jì)嵌入式FPGA等產(chǎn)品的小公司）也被我們25%的調(diào)查對(duì)象所認(rèn)可。

結(jié)束語

在第一篇文章中，我們的數(shù)據(jù)顯示，雖然幾乎所有的調(diào)查對(duì)象都在開展AI項(xiàng)目，但很少有人（約7%）真正在生產(chǎn)環(huán)境下搞AI項(xiàng)目。在第二篇文章中，我們發(fā)現(xiàn)大多數(shù)實(shí)際的AI項(xiàng)目旨在推進(jìn)和簡化典型應(yīng)用，比如預(yù)測性維護(hù)和分析大數(shù)據(jù)。雖然圖像、語音和視頻AI分析似乎備受媒體的關(guān)注，但大多數(shù)客戶在使用AI來分析數(shù)字和文本。

我們在本文中了解到，雖然有幾個(gè)非常大的AI項(xiàng)目（至少由我們的300多個(gè)調(diào)查對(duì)象來判斷是這樣），但就數(shù)據(jù)量而言，中位數(shù)項(xiàng)目還是相當(dāng)小（約5TB）。我們還發(fā)現(xiàn)，說到GPU和FPGA之類的AI加速器，實(shí)際的客戶熟悉行情，他們知道這個(gè)市場的大小玩家。我們還再次證實(shí)了自己的假設(shè)：AI的發(fā)展處于早期階段；對(duì)于這個(gè)激動(dòng)人心的細(xì)分市場而言，真正的發(fā)展還未到來。

報(bào)告全文：