Foto: Pixels Hunter - shutterstock.com
Open Source ist ein fruchtbarer Boden für transformative Software, insbesondere, wenn es dabei um Cutting-Edge-Bereiche wie Künstliche Intelligenz (KI) beziehungsweise maschinelles Lernen (ML) geht. Der Open-Source-Ethos und die Tools für die Zusammenarbeit machen es für Teams nämlich einfacher, Code und Daten gemeinsam zu nutzen - und auf dem Erfolg anderer aufzubauen.
13 Open-Source-Projekte für KI & ML
Dieser Artikel präsentiert Ihnen 13 Open-Source-Projekte, die das Zeug dazu haben, die KI- und ML-Welt auf den Kopf zu stellen. Bei einigen Projekten handelt es sich um ausgefeilte Softwarepakete, die neuartige Algorithmen unterstützen - andere sind eher auf subtile Weise transformativ. Allen ist gemein: Sie sind einen Blick wert.
Open-Source-Tools für KI und ML aufzulisten, ohne TensorFlow und PyTorch zu erwähnen, geht nicht. Einzeln und zusammen unterstützen diese Frameworks wichtige experimentelle Forschungsinitiativen im Bereich der Künstlichen Intelligenz. Einige der folgenden Open-Source-Projekte verwenden TensorFlow und PyTorch als Bausteine.
Entwickler, die ein wenig Hilfe beim Programmieren benötigen, können sich an FauxPilot wenden. Das System trainiert sich selbst auf Grundlage von bestehendem Code, gibt strukturierte Kommentare und macht Vorschläge. Inspiriert wurde das Projekt von GitHub Copilot. Mit FauxPilot können Sie jedoch die Repositories auswählen, die Sie für Trainingszwecke verwenden wollen. Diese zusätzliche Kontrollebene verhindert, dass Codeschnipsel verwendet werden, deren Quellen das nicht zulassen. Wenn Sie diese Quellen auf diejenigen mit entsprechenden Berechtigungen und Lizenzen beschränken, ist die Wahrscheinlichkeit größer, dass die verwendete Codierungshilfe und die Code-Snippets sauber und vertrauenswürdig sind.
Eine schnelle und einfach Möglichkeit, ein Gefühl dafür zu bekommen, wie Machine-Learning-Modelle "denken": DALL-E nutzen. Dieses massive Open-Source-Modell basiert auf Bildern und Textbeschreibungen aus dem Internet und wandelt Worte in Bilder um. Um einfacher mit dem Modell experimentieren zu können, bieten sich Open-Source-Projekte wie DALL-E Playground oder DALL-E Mini an. DALL-E ist einerseits eine Art Spiel, andererseits ein Portal in die Gedankenwelt eines KI-Algorithmus.
Ein besonders diffiziles Feld für Künstliche Intelligenz ist es, in Echtzeit Objekte in Bildern zu identifizieren. Diese Technik treibt auch maßgeblich selbstfahrende Fahrzeuge, autonome Roboter und sämtliche anderen Devices an, die besonders genaue Umgebungsinformationen sammeln und verarbeiten müssen. Einer der schnellsten und akkuratesten quelloffenen Tools für diese Zwecke ist YOLOv7. Füttern Sie das Tool einfach mit einer Sammlung von Bildern und warten Sie ab, was passiert.
Deepfakes sind Videos und Bilder, die mit Hilfe von Deep Learning erstellt, verändert/manipuliert oder synthetisiert werden. Häufig werden dabei beispielsweise die Gesichter von Prominenten und Politikern in bestehende Bilder und Videos eingefügt - oft aus Spaß, manchmal aber auch zu kriminellen Zwecken. Die quelloffene Software DeepFaceLab läuft auf Python und tauscht nicht nur ein Gesicht gegen ein anderes aus, sondern kann auch verwendet werden, um individuelle Merkmale wie Falten und Ähnliches zu verändern.
NLP-Engines können neuronale Suchen und Sentiment-Analysen durchführen und die Ergebnisse anschließend verständlich präsentieren - für Mensch und Maschine. Diese Technologie ist manchmal noch etwas unbeholfen, wird jedoch stets weiterentwickelt und kann bereits in einer Vielzahl von Anwendungen eingesetzt werden (Alexa ist nur ein Beispiel). PaddleNLP ist eine populäre, quelloffene NLP-Bibliothek, mit deren Hilfe Sie Suchabsichten ermitteln und wichtige Entitäten kennzeichnen können.
Der traditionelle Weg zum KI-Erfolg: Informationen in einer Datenbank zu speichern und dann zu extrahieren, um sie an einen separaten ML-Algorithmus zu senden. Bei MindsDB handelt es sich um einen SQL-Server, der die Algorithmen für maschinelles Lernen direkt in die Datenbank integriert. Die Daten dort zu analysieren, wo sie gespeichert sind, ist ein schneller und effizienter Weg, um Machine-Learning-Workflows zu beschleunigen.
Wenn Sie dreidimensionale Modelle in aufwändig gerenderte Szenen verwandeln möchten, sollten Sie Blender anwerfen. Das Tool wird oft als Werkzeug für Filmschaffende und Animations-Experten verstanden, ist aber auch ein großartiges Beispiel für angewandte KI. Eine reichhaltige Benutzeroberfläche und zahlreiche Plugins ermöglichen es, komplexer Bewegungsgrafiken oder filmische Szenen zu erstellen. Alles, was Sie brauchen, ist ein bisschen Kreativität.
Geht es um Fotos, sind mehr Details immer besser. Image Super-Resolution erhöht die Bildauflösung zusätzlich und macht so den Weg frei für noch mehr Bilddetails. Das Open-Source-Tool verwendet ein ML-Modell, das Sie darauf trainieren können, die Details in einem Bild mit niedriger Auflösung zu "erraten".
Viele Unternehmen und Konzerne bestücken ihre vorderste Kundendienst-Front mit Chatbots. DeepPavlov kombiniert grundlegende Tools für Machine Learning wie TensorFlow, Keras und PyTorch, um Chatbots zu erstellen. Die Ergebnisse sind - je nach Training - schrullig, seltsam und manchmal nützlich.
Eine fruchtbare Grundlage, um sich mit Machine Vision zu beschäftigen, ist die quelloffene Bibliothek OpenCV. Sie enthält diverse gängige Algorithmen, um Objekte in Bildern identifizieren, sowie spezielle Routinen, um beispielsweise Nummernschilder an Autos zu erkennen.
Dieses Java-basierte Programmierspiel lässt Ihren Panzer gegen andere im Kampf um die Vorherrschaft antreten. Das ist nicht nur ein unterhaltsamer Zeitvertreib, sondern kann auch nützlich sein, um neue Strategien für autonome Fahrzeuge zu testen.
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation Infoworld.