A introdução do serviço de Deep Learning significa que esta é a primeira vez que a IBM teve uma oferta de deep learning (ou usou deep learning em seus serviços do Watson)?

Oferecemos uma versão on-premise de Deep Learning por algum tempo,  mas esta é a primeira vez que a IBM oferece um serviço de deep learning na cloud. Além disso, a IBM continua a fornecer serviços baseados em deep learning para desenvolvedores de aplicativos com o Watson Developer Cloud.

Por que esse serviço de deep learning é oferecido no Serviço Watson Machine Learning e não de maneira independente?

Deep learning é o subconjunto de machine learning, portanto, faz mais sentido para o Deep Learning ser um serviço dentro do Watson Machine Learning. Além disso, os usuários do serviço de deep learning obtêm o suporte eficiente do Watson Machine Learning, além de uma fácil integração com outros serviços sob o guarda-chuva do Watson Studio.

Qual é o relacionamento do Watson Studio com o serviço de deep learning?

A IBM oferece deep learning por meio do serviço IBM Watson Machine Learning, que é integrado ao IBM Watson Studio.

Como o Neural Network Modeler funciona com o serviço IBM Watson Machine Learning?

O Neural Network Modeler funciona dentro do serviço de deep learning. Cientistas de dados, desenvolvedores e usuários corporativos podem projetar seus modelos neurais através de um processo de arrastar e soltar sem código. O Neural Network Modeler gera o código a partir de uma das estruturas preferidas do usuário, como o TensorFlow, o Keras, o PyTorch ou o Caffe.

A IBM é a primeira/única empresa a oferecer um recurso do Neural Network Modeler?

Não, mas a IBM oferece sua modelagem de rede no contexto de uma plataforma completa de machine learning. Os modelos projetados usando o Neural Network Modeler podem construir usando o serviço de deep learning centrado em experimentos da IBM e, em seguida, fazer a implementação como terminais REST. O Neural Network Modeler suporta várias estruturas de software livre e permite que o usuário escolha em qual delas ele gostaria de trabalhar.

Como o IBM Research esteve envolvido neste processo?

Os recursos principais do novo serviço de deep learning originados de vários projetos no IBM Research. Mais especificamente, os seguintes recursos foram implementados diretamente do IBM Research:

  • Os microsserviços que suportam o serviço de deep learning gerenciam o treinamento distribuído de modelos em paralelo através de um cluster de GPUs enquanto suportam diversas estruturas de software livre, como Tensorflow, Caffe, Keras e PyTorch.
  • O Neural Network Modeler permite o design rápido de redes complexas sem codificação. O nome do código de pesquisa para este projeto é Darviz.
  • A Hyperparameter optimization (HPO) permite que o serviço de deep learning ajuste parâmetros de Redes neurais automaticamente. Com essa tecnologia, somos capazes de automatizar as iterações dos hiperparâmetros para localizar a melhor rede neural para cada caso de uso.
  • Deep learning distribuído com Horovod e DDL (Distributed Deep Learning) da Uber.
  • A experiência gráfica do usuário, além do rastreamento de desempenho de modelo, que reforça o Experiment Assistant originado com o IBM Research com o codinome de Project Runway.

Saiba mais 

O Watson Studio está disponível apenas na Cloud?

Sim.

A versão on-premise do Data Science Experience oferece os mesmos recursos que o Watson Studio?

Não, se desejar saber mais, visite Data Science Experience Local.

O serviço de deep learning está disponível apenas na Cloud?

Sim, ele está disponível como deep learning como um serviço dentro do serviço IBM Watson Machine Learning.

Como o recurso deep learning da IBM se diferencia do que os concorrentes oferecem?

A oferta de deep learning da IBM difere dos concorrentes de várias maneiras:

  • O Neural Network Modeler (descrito com mais detalhes acima) não está sendo oferecido atualmente por nossos concorrentes.
  • O Experiment Assistant oferece um fluxo de treinamento baseado em contêiner gerenciado, centrado em experimentos que suporta o fácil monitoramento de execuções de treinamento paralelas, construídas usando as estruturas mais populares de deep learning.

Como é o plano de precificação para esse recurso?