IBM NeuNetS – Selbst erzeugende Deep Learning-Modelle

Viele Beispiele zeigen, dass Neuronale Netze oft bessere Vorhersagen treffen können als herkömmliche Algorithmen. Für eine konkrete Fragestellung ein geeignetes Modell zu finden, ist aber nach wie vor eine Aufgabe, die Erfahrung und oft viel Zeit voraussetzt – beides ist nicht immer verfügbar.
An dieser Stelle setzt IBM an mit dem Ansatz „AUTOMATED SYNTHESIS ENGINE FOR NEURAL NETWORK DESIGN“ oder kurz NeuNetS. Schnell und ohne tiefe Vorkenntnisse lasse sich in einem Schritt Neuronale Netze definieren und für eine konkrete Fragestellung trainieren.

IBM bündelt in dieser Lösung seine aktuellen wissenschaftlichen Erkenntnisse und Technologien im Bereich NeuroEvolution [siehe Links im Anhang]:

  • TAPAS ist in der Lage, die Vorhersagewahrscheinlichkeit eines Modells allein anhand von Trainingsdaten vorhersagen, ohne das Modell tatsächlich zu berechnen, was in der Regel ein aufwändiger Prozess ist. Für die hinterlegten Modelle wird so das zu den Daten am besten passende Modell ausgewählt.
  • NCEvolve ist ein Algorithmus, der die Struktur eines vorhandenen neuronalen Netzwerkes sukzessive umbauen kann, indem Knoten hinzugefügt und weggelassen werden oder neue Verbindungen geschaffen werden. So werden nicht nur die Hperparameter, sondern auch die Topologie des Modells optimiert.

Die folgenden Screenshots zeigen das Handling in der Praxis.

Zunächst wird in Watson Studio ein Projekt angelegt. Anschließend werden Trainingsdaten hochgeladen.

Dann kann in Watson OpenScale über den Dialog „Synthesize text or image classifier“ direkt die Erzeugung des Modells gestartet werden. Die aktuelle Beta-Phase unterstützt hier zunächst nur Bild- und Textklassifier.

Screenshot 2019-02-20 at 14.51.38

NeuNetS wählt nun selbstständig anhand der bereitgestellten Trainingsdaten ein geeignetes Modell aus, trainiert und optimiert dieses.

Das so generierte Neuronale Datenmodell hat eine vergleichbare Vorhersagewahrscheinlichkeit, wie ein manuell erzeugtes und trainiertes Modell.

Screenshot 2019-02-20 at 14.52.20

Das Modell lässt sich nun direkt entweder in der IBM-Cloud (oder auch AWS oder Azure) deployen. Interessant auch, dass es möglich ist, das Modell direkt als Keras-File herunter zu laden und lokal weiter zu verwenden. So lässt sich auch die Topologie und die Anzahl der Hyperparameter im Nachhinein überprüfen, wie hier dargestellt:

Screenshot 2019-02-20 at 14.52.43

IBM zeigt mit NeuNetS und den eingesetzten Technologien, wie gut selbst optimierende Modelle inzwischen funktionieren können. Dies ist ein wichtiger Beitrag, schnell und effizient in einem Schritt Vorhersagemodelle zu erstellen und zu trainieren.
Auch andere Anbieter (wie zum Beispiel Google (mit Auto ML (beta)) bieten vergleichbare Lösungen, auch wenn die Herangehensweise im Detail doch anders ist. Hier darf man gespannt sein, ich welche Richtung sich die verschiedenen Ansätze, die aktuell noch im beta-Stadium sind, entwickeln.

Die Lösung von IBM zeichnet sich schon jetzt durch gute Integrierbarkeit (auch herstellerübergreifend und durch große Transparenz aus.
Für Fragen und Anmerkungen wenden Sie sich gern an die Kontaktadressen, oder kontaktieren Sie mich direkt: Dr. Volker Dorna, GIS AG, [email protected]