2020年优秀人工智能系统推荐

好的AI系统可以给企业带来了巨大的竞争优势。从理论上讲，人工智能和机器学习软件可以使企业业务流程自动化，使员工能够更高效地工作，并可以大大提高客户体验。AI系统可以用于大量数据分析和预测分析，从而最终提升企业管理和决策。AI可以利用云计算来提高计算能力，从而实现更快地挖掘数据。

人工智能已经发展了几十年。在1980年代的人工智能第一次爆发之后，在上世纪90年代又经历了"人工智能冬天"。自2015年以来随着计算机云化和集群化导致算力的大规模提升，让神经网络的深度网络成了现实，人工智能又逢春。大批企业和投资都想抓住这个机遇，AI不论在理论上、实践上都得到了极大发展。

可以说在2020年的今天，如果一个企业不使用AI，马上就会落在起跑线。

大家都在纷纷入槛AI，但是现在AI还是群雄逐鹿，百家争鸣，如何选择一个合适的AI系统是个困扰大家的问题。本文我们就来介绍一下实现最流行的AI系统。

TensorFlow

口号：机器学习的开源领导者，受到开发人员的青睐。

官网：https://tensorflow.google.cn

由谷歌开发的TensorFlow，是目前最流行的AI系统，实际也成为业界机器学习的代名词。TensorFlow是免费并且开放源，其开放模型使其能够被广泛地被采纳。TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。TensorFlow具有的开放式体系结构使其可以灵活地用于GPU(图形处理单元，驱动AI的"超充电"硬件)或CPU(中央处理单元，不那么快的硬件)进行计算。Tensorflow可以说是用于构建和部署机器学习模型的全球顶级AI工具。

Tensorflow在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前最热门的机器学习框架。

在扩展应用上TensorFlow 也提供Python，C/C++、Java、Go、R 等其它编程语言的接口。

简单实例：

H2O.ai

口号：为所有人提供AI。

官网：h2o.ia

H20提供了一套多样化的AI软件产品。其中包括一个开源机器学习平台，一个与Spark的开源集成以及一个名为AutoML的工具，该工具可以进行可扩展的自动化机器学习。其中最有趣的是H2O Q，它允许公司创建自己的AI应用程序。这些AI应用程序具有一系列仪表板，实时数据进行了更新，可以从许多连接器获取这些实时数据。

H20简单易上手，支持多种语言，包括R，Python，Java, Scala, REST，甚至无需代码使用Flow，可是直接开始做模型。

H20算法支持丰富，支持Gradient Boosting Machine (GBM)，Deep Learning等。

H20对外扩展也很丰富，支持多种数据接口：HDFS, S3, SQL和NoSQL等，也可以导出格式统一的POJO，减少把模型重新写成应用格式的时间。

实例：

PyTorch

口号：从研究到生产。

官网：https://pytorch.org/

PyTorch是由Facebook开源的Python机器学习库，主要用于自然语言处理等应用程序。

PyTorch提供强大的GPU加速的张量计算(如NumPy)和自动求导系统的的深度神经网络。

PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用

PyTorch和TensorFlow一样有丰富的社区支持。和TensorFlow一样，PyTorch的计算单位也是一个Tensor(张量)，其内部也有一个计算图(graph)，只是它的变量有自动求梯度的功能。Tensorflow的计算图Graph是静态的，而PyTorch的Graph是动态的。

Pytorch目前已经纳入了Caffe2代码，成了最流行的ML框架之一。大量的研究和系统都采用Pytorch。

Pytorch 最新版本为1.6。

实例：

Mxnet

口号：从研究到生产。

官网：mxnet.apache.org

mxnet是一款轻量级，便携式，灵活的分布式/移动深度学习系统，是由华人科学家李沐开发，后李沐加入亚马逊AI团队，由亚马逊开源并推进的深度学习框架。mxnet具有广泛的语言支持，可以用包括Python，R，Julia，Scala，Go，Javascript等语言，

实例：

Keras

口号：为了类的机器学习

官网： https://keras.io

Keras 是由Python开发神经网络接口，它支持以TF，CNTK,或Theano 作为后端运行。Keras立足于开发解决灵活快速进行ML实验，更快的把IDEA转化为实践并得到结果。Keras允许以简单而快速的原型设计(由于用户友好，高度模块化，可扩展性)。Keras同时支持卷积神经网络和循环神经网络，以及两者的组合。Keras可在CPU和GPU上无缝运行。

实例：

CNTK

官仓：https://github.com/Microsoft/CNTK

CNTK 是开源的分布式深度学习框架，全称Microsoft Cognitive Toolkit(认知工具包，CNTK)。CNTK通过有向图将神经网络描述为一系列计算步骤。CNTK允许用户轻松实现和组合流行的模型类型，例如前馈DNN，卷积神经网络(CNN)和递归神经网络(RNN / LSTM)。 CNTK通过跨多个GPU和服务器的自动区分和并行化实现随机梯度下降(SGD，错误反向传播)学习。

CNTK支持64位Linux或64位Windows操作系统。可以通过二进制包安装或者通过clone GitHub源代码编译安装。

CNTK提供多语言库使用，包括Python，C#和C++，也支持在Python和Java程序中使用CNTK模型评估功能。

CNTK当前版本为2.7。

实例：

BigML

口号：对机器学习的强大承诺，提供了广泛的ML建模工具。

官网：https://bigml.com

BigML是一个软件平台，提供了一系列ML工具，使用户能够构建应用程序，并包括各种ML建模，时间序列预测，安全异常检测等，在开发人员和科学学术界具有一定的追随者。BigML提供端到端解决方案，使用户能够将数据转换为有用的模型，这些模型可以在云中嵌入式，本地部署或远程部署。这包括有监督和无监督的学习，以及预构建的ML算法菜单，以加快可行系统的生产。另外，BigML提供了一个协作系统，因此团队可以一起工作以构建其ML模型。

实例：

Valohai

口号：给团队的MLOps平台。

官网：https:// valohai.com

可以将Valohai视为一种元AI工具，因为它可以帮助机器学习项目更快，更高效地运行。该平台可以自动化MLOps，从合规性到测试。Valohai采用开放式方法来简化ML团队使用的许多任务和流程。

Valohai是一个Paas平台，用户可以免费注册，并实现机器编排、管道管理、批量推理。用户可以通过Python3本地代码，Github仓库或者Jupyter Notebook发布任务，然后在其valhohai获得计算结果。

实例：

Dialogflow

在AI术语中，自然语言处理(NLP)是一个经常使用的术语，即一种机器系统，可以理解(或产生传真)实际的人类语音，并且具有所有的特质。

Dialogflow一二是基于自然语言对话的人机交互技术开发工具。Dialogflow于2016年被谷歌收购。虽然具备完备的API和Web界面，但是Dialogflow是非开源的商业产品。

Dialogflow提供了一种可用于创建聊天机器人的Web界面。就算是那些非技术人员，也能够通过该界面轻松地创建具有基本功能的软件机器人。同时，用户可以非常容易地理解和配置诸如Intent(意图)、Entities(实体)和Actions(动作)等基本功能的属性。因此，通过Dialogflow，您可以在几个小时内，制作出一个具备基础问答能力的聊天机器人。

Dialogflow提供了与谷歌智能助理、Slack、Facebook Messenger、Skype、Twitter、以及许多其他网站的集成。