ABBYY introduceert NeoML library voor ontwikkeling AI-oplossingen

ABBYY introduceert NeoML, een open source library voor het bouwen, trainen en implementeren van machine learningmodellen. NeoML is beschikbaar via GitHub en ondersteunt zowel deep learning- als traditionele machine learningmodellen die geschikt zijn voor taken als predictive analytics en risk management.

Het cross-platform-framework is geoptimaliseerd voor applicaties die draaien in cloudomgevingen en op desktop- en mobiele devices. Vergeleken met een populaire opensource ML-library, biedt NeoML tot vijftien procent snellere performance voor getrainde modellen die op een apparaat draaien. De combinatie van een hogere interferentiesnelheid met platformonafhankelijkheid maakt de library zeer geschikt voor mobiele oplossingen die een naadloze gebruikerservaring combineren met on-device gegevensverwerking.

Open source wordt steeds belangrijker in de ontwikkeling van missiekritische software: 95 procent van de IT-managers geeft aan dat opensource strategisch belang heeft. Daarom heeft ABBYY als doel vooruitgang in artificial intelligence te ondersteunen door zijn machine-learning-framework als opensource beschikbaar te stellen. Ontwikkelaars kunnen NeoML gebruiken voor het bouwen, trainen en implementeren van modellen voor voorwerpidentificatie, classificatie, semantische segmentatie, verificatie en predictive modeling. Op die manier realiseren ze verschillende businessdoelstellingen. Zo kunnen banken modellen ontwikkelen voor het beheren van kredietrisico’s en het voorspellen van klantverloop. Telecombedrijven kunnen de performance van marketingcampagnes analyseren en bedrijven uit de FMCG-sector (fast moving consumer goods) kunnen remote klantidentificatie bouwen met gezichtsherkenning en gegevensverificatie. Een van de belangrijkste voordelen van het framework is zijn hoge cloud-efficiency die bedrijven in staat stelt optimaal gebruik te maken van beschikbare cloud-resources.

Universele tool
NeoML is bedoeld als universele tool voor het verwerken en analyseren van gegevens in verschillende formats, zoals tekst, afbeelding en video. Het framework ondersteunt C++-, Java- en Objective C-programmeertalen; Python wordt op korte termijn toegevoegd. De neurale netwerkmodellen van NeoML ondersteunen meer dan honderd layer-types. Bovendien voorziet NeoML in meer dan twintig traditionele machine learningalgoritmen, zoals classificatie-, regressie- en cluster frameworks. De library is volledig cross-platform – één code werkt op alle populaire besturingssystemen: Windows, Linux, macOS, iOS en Android – en is geoptimaliseerd voor zowel CPU- als GPU-processors.

“De introductie van NeoML toont onze bijdrage aan sectorbrede AI-innovatie”, zegt Ivan Yamshchikov, AI Evangelist bij ABBYY. “ABBYY heeft een bewezen trackrecord op het gebied van technologische innovatie, met meer dan vierhonderd patenten en lopende patentaanvragen. Het delen van ons framework stelt ontwikkelaars in staat gebruik te maken van de interferentiesnelheid en cross-platformmogelijkheden, en met name van het potentieel van het framework op mobiele apparaten. Bovendien draagt hun feedback bij aan de uitbreiding en verbetering van de library. We zijn trots dat we vooruitgang in AI stimuleren en een bijdrage leveren aan het gebruik van machine learning voor steeds waardevoller en impactvoller use cases.”

ONNX
NeoML ondersteunt de Open Neural Network Exchange (ONNX), een wereldwijd open ecosysteem voor uitwisselbare machine learningmodellen. Het ecosysteem bevordert de compatibiliteit van tools en maakt het zo eenvoudiger voor ontwikkelaars om de juiste combinaties in te zetten voor het realiseren van hun doelstellingen. De ONNX-standaard wordt gezamenlijk ondersteund door Microsoft, Facebook en andere partners als een opensource-project.

ABBYY nodigt ontwikkelaars, data scientists en business analisten uit om NeoML via GitHub te gebruiken en er hun bijdrage aan te leveren. De code van NeoML is bij GitHub gelicenseerd onder de Apache License 2.0. ABBYY voorziet in gepersonaliseerde ondersteuning voor ontwikkelaars, continue beoordeling van rapporten, regelmatige updates en performanceverbeteringen. In de toekomst is ABBYY van plan nieuwe algoritmen en architecturen toe te voegen, en de haalbare snelheden te verhogen met behulp van de framework algoritmen.