Uber will den Einstieg ins Machine Learning vereinfachen. Das Unternehmen setzt beispielsweise für Kundensupport, Objekterkennung, Verbesserung von Kartenmaterial, Zeitvorhersagen sowie Betrugsunterbindung auf Deep-Learning-Modelle. Im Zuge der Arbeit damit ist in den letzten zwei Jahren ein von Uber selbst Toolbox bezeichnetes Projekt entstanden, das jetzt Open Source gemacht wurde. „Ludwig“ soll den Einstieg einfacher machen, aber auch Profis nützlich sein.

Open-Source-Tool Ludwig basiert auf Googles Tensorflow

Damit wolle man aber das Rad nicht neu erfinden, daher basiert Ludwig auf Googles Machine-Learning-Framework Tensorflow. Die Toolbox soll vor allem Anfängern den Einstieg ins Machine Learning vereinfachen. Um ein Deep-Learning-Modell zu entwickeln, müssen keine Programmierkenntnisse vorhanden sein. Ludwig benötigt lediglich beispielsweise eine CSV-Datei mit Daten sowie eine YAML-Datei zur Konfiguration.

Aber auch Profis soll Ludwig helfen können. Ludwig soll die Arbeit mit den Daten abnehmen, damit sich Entwickler auf die Deep-Learning-Architektur konzentrieren können.

Uber setzt Ludwig schon produktiv ein

Uber setzt Ludwig schon in internen Projekten ein. Beispielsweise wird damit der Support verbessert. Ludwig extrahiert außerdem Informationen aus den Führerscheinen der Fahrer, erkennt Points of Interest in Karten und sagt Zeiten für Essenslieferungen voraus.

Entwickelt wurde die Toolbox mit den Prinzipien, dass kein Coding erforderlich sein soll, Ludwig universell einsetzbar, flexibel und erweiterbar ist. Mit an Bord der Toolbox sind auch CLI-Tools, mit denen Modelle trainiert und getestet werden können. Das funktioniert ebenso mit der Python-API. Für Interessierte gibt es einen Developer-Guide, mehr Details erklärt Uber im Blogpost zur Veröffentlichung.

Schon 2017 hatte Uber Pyro Open Source gemacht. Die Programmiersprache basiert auf Facebooks Open-Source-Machine-Learning-Bibliothek Pytorch. Auch Horovod hatte Uber öffentlich gemacht, damit können Deep-Learning-Modelle auf mehreren GPUs, verteilt auf unterschiedliche Maschinen, trainiert werden.

Passend dazu:

• Künstliche Intelligenz: Ist der Deep-Learning-Boom bald am Ende?
• Frameworks für Machine Learning: So gelingt der Einstieg in die KI-Entwicklung