TensorFlow: machine learning distribuito nel cloud

Il framework machine learning di Google è in grado di sfruttare ora le potenzialità offerte dal cloud e dal calcolo distribuito su più macchine e cluster

Machine Learning ed analisi dati sono il futuro del cloud?

Machine learning, deep learning, IA sono parole che sembrano essere citate sempre più di frequente online ed attirano ormai l’attenzione di stampa specializzata, note personalità (Linus Torvalds), importanti nomi dell’industria a livello globale – in riferimento ad alcune nostre precedenti news ricordiamo ad esempio Baidu, AWS e soprattutto Google che sembra puntare molto sul machine learning. Per capire se si tratti effettivamente del prossimo step evolutivo del cloud occorrerà  tempo ma almeno sulle potenzialità offerte dal machine learning è impossibile avanzare obiezioni.

Tra le aziende in grado di poter vantare un’esperienza di tutto rispetto nel settore troviamo Google che con TensorFlow, framework open source reso disponibile nel 2015 ed attualmente tra le soluzioni più popolari su GitHub per qualsiasi progetto inerente l’interessante ambito, ha rafforzato la propria strategia di differenziazione da AWS – auspicando che il proprio modello divenga quello vincente sostituendosi al “modello Amazon” leader di mercato.

TensorFlow e calcolo distribuito

Con l’aggiornamento del framework alla versione 0.8, Mountain View ha esteso infine l’elaborazione di modelli machine learning a più macchine, con tutti i vantaggi derivanti da tale pratica, a partire dal flusso dei dati in ingresso e la velocità d’analisi di questi ultimi.

Per mostrare meglio l’incremento prestazionale ottenuto dall’utilizzo in parallelo di più sistemi o cluster di computer, Google ha pubblicato sul blog ufficiale una tabella esemplificativa con i risultati ottenuti dal modello Inception – destinato al riconoscimento e classificazione dei soggetti/oggetti presenti nelle immagini ed impiegato ad esempio anche nella nota applicazione Google Photo.

Come è possibile notare dal grafico anche l’impiego di una singola macchina aggiuntiva consente di aumentare la velocità complessiva – anche se ovviamente le cifre più importanti si ottengono attingendo da decine e decine di sistemi.

Machine Learning e calcolo distribuito nel cloud

L’aggiornamento alla versione 0.8 ha introdotto inoltre nuove librerie con le quali gli sviluppatori potranno definire i propri modelli di apprendimento distribuito. Naturalmente le funzionalità di TensorFlow sono state pensate per essere abbinate alla piattaforma cloud computing Google ed alla complementare piattaforma Google Cloud Machine Learning, che spazia dall’analisi delle immagini (Cloud Vision API) fino al riconoscimento vocale (Cloud Speech Api).

 

 

Facci sapere cosa ne pensi!

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *