Kostenlose KI-Tools für Entwickler

Entwickler, die sich mit dem Thema Künstliche Intelligenz und Machine Learning auseinandersetzen, können beispielsweise Apps für eine bessere Spracherkennung schreiben oder ihre selbst entwickelten Anwendungen auf eine neue Ebene heben. Dieser Artikel gibt einen Überblick über einige der bekanntesten Open-Source-Lösungen.

Entwickler können damit auf die Erfahrungen von Softwareriesen wie Google oder Facebook zurückgreifen, um eigene Apps mit Künstlicher Intelligenz auszustatten. Die Frameworks arbeiten mit den aktuell verbeitetsten Entwicklungsumgebungen und Programmiersprachen zusammen. In den meisten Fällen sind also keine neuen Kenntnisse notwendig, um die eigenen Apps effektiver und intelligenter zu machen.

Open Neural Network Exchange

Mit Open Neural Network Exchange (ONNX) können Entwickler ihre KI-Modelle untereinander austauschen. Die Plattform gehört zur LF AI Foundation, einer Unterorganisation der Linux Foundation. Die Organisation arbeitet mit Microsoft, Amazon, Facebook und vielen anderen Unternehmen zusammen. Die Modelle aus ONNX können in MXNet, PyTorch, OpenCV und anderen Anwendungen und Plattformen genutzt werden. Über Schnittstellen können Modelle auch zwischen verschiedenen Plattformen ausgetauscht werden.

Auf der Plattform steht auch ONNX.js zur Verfügung. Dabei handelt es sich um eine JavaScript-Bibliothek, mit der ONNX-Modelle ausgeführt werden können. Die Bibliothek arbeitet unter anderem auch mit Node.js zusammen. ONNX definiert einen gemeinsamen Satz von Operatoren und ein gemeinsames Dateiformat, mit dem KI-Entwickler Modelle mit zahlreichen Frameworks, Werkzeugen, Laufzeiten und Compilern verwenden können.

Apache MXNet

Bei Apache MXNet handelt es sich um ein Open-Source-Framework für Deep Learning. Mit MXNet können neuronale Netzwerke trainiert und bereitgestellt werden. Das Framework ist sehr flexibel und unterstützt zahlreiche Programmiersprachen. Dazu gehören C++, Python, Java, Julia, Matlab, JavaScript, Go, R, Scala, Perl und Wolfram. Die Library von MXNet kann auch auf Cloud-Plattformen wie Amazon AWS oder Microsoft Azure eingesetzt werden.

OpenCV

Mit OpenCV können auf Basis von Open-Source-Software Anwendungen im KI-Bereich entwickelt werden. Zu den Schwerpunkten gehören zum Beispiel Gesichtserkennung und 3D-Programme. Das System kann etwa zur Mensch-Computer-Interaktion (HCI) und in der Robotik genutzt werden. OpenCV kann auch Daten von Deep Learning Frameworks einlesen und weiterverarbeiten. Unterstützt werden zum Beispiel TensorFlow, Torch, Darknet und Modelle im ONNX Format.

Cortx

Seagate bietet mit Cortx eine Open-Source-Software für Object-Storage-Systeme. Damit lassen sich Daten in KI-Umgebungen wesentlich besser speichern als mit herkömmlichen Speichertechnologien. Bei der Arbeit mit KI fallen große Datenmengen an, die gleichzeitig schnell geschrieben und gelesen werden müssen. Hier kann Object Storage seine Stärken ausspielen. Cortx wird unter anderem von Toyota, Fujitsu und der UK Atomic Energy Authority eingesetzt. Die Software verwaltet Speicher für KI- und ML/DL-Anwendungen, darunter auch TensorFlow. Neben der Integration in Seagate-Produkten, wie etwa im Seagate Lyve Drive Rack, kann Cortx auch mit anderen Speichersystemen genutzt werden, zum Beispiel mit Intel Optane.

OpenIO

Mit OpenIO steht Entwicklern eine weitere Lösung für Object-Storage zur Verfügung. Mit OpenIO können auch Big-Data-Lösungen wie Hadoop und Spark genutzt werden. Auch die Anbindung an Amazon S3 oder OpenStack Swift ist möglich. Über eine native REST/HTTP-API können externe Anwendungen die erweiterten Speicherfunktionen nutzen. Zusätzlich gibt es noch APIs für Python, C/C++ und Java. Der Quellcode ist auf GitHub verfügbar.

MinIO

MinIO ist eine weitere, quelloffene Object-Storage-Lösung. Die Lösung gehört zu den beliebtesten Objektspeichern für Container-Umgebungen mit Kubernetes und bietet Amazon-S3-Kompatibilität.

Caffe2/PyTorch

Das Deep Learning Framework Caffe wurde ursprünglich an der University of California entwickelt. Das Projekt ist mittlerweile Bestandteil der Machine-Learning-Bibliothek PyTorch. Die Software basiert auf der beliebten Programmiersprache Python. Diese wird auch bevorzugt für die Entwicklung von KI/ML-Systemen eingesetzt.

Neben den Funktionen von Caffe sind mit PyTorch zahlreiche weitere Funktionen integriert, mit denen Machine- und Deep-Learning-Systeme effektiver genutzt werden können. Wie ursprünglich bei Caffe, werden zur Berechnung von Daten auch GPUs eingesetzt, zum Beispiel von Nvidia. Mit PyTorch können neuronale Netze aufgebaut werden. Zusammen mit PyTorch können Bibliotheken wie NumPy, SciPy oder Cython genutzt werden.