这个程序员节,我们不写代码

每一位开发者,都是华为要汇聚的星星之火。



我们经常说「现在是 AI 的时代,是万物互联的时代」,但现实情况是,很多行业在引入 AI、AIoT 的过程中遇到了极高的门槛和各种各样的问题。如何降低 AI 应用的门槛,实现真正的智能世界、万物互联,成了当前各个 AI、IoT 服务平台的核心目标。

今年,华为全联接 2020 发布一站式 AI 开发平台 ModelArts 3.0,为开发者提供更全面的数据标注准备、模型训练、模型调优、模型部署等 AI 应用开发服务,进一步降低了 AI 行业落地难度,让传统企业的用户无需掌握算法知识也可以快速实现自身业务与 AI 技术的融合。同时,华为云 IoT 平台也在不断发展壮大,已经具备了亿万级的接入能力,可以帮助物联网行业用户快速完成设备联网及行业应用集成。

在这一波浪潮中,开发者是变革的先行者。他们对新技术有着很强的接受能力,也是各个行业新技术的探索者和引入者。为了帮助广大开发者更细致地了解「零代码」AI 开发平台 ModelArts 和华为云 IoT 设备接入服务平台,10 月 24 日程序员节,DevRun 开发者沙龙走进长沙,与湖南的开发者共度了一场特殊的程序员节。

DevRun 开发者沙龙 - 华为云长沙专场邀请到了多位华为云技术专家,围绕华为云 EI-ModelArts 和物联网 AIoT 技术与场景化解决方案等领域进行相关技术解析与分享。其中,华为云 EI 开发者生态经理林旅强作了主题为「华为云 ModelArts,零代码玩转 AI 开发」的演讲;华为云 IoT 生态解决方案高级工程师刘明星作了主题为「AIoT 智能设备开发:华为云 IoT 设备接入使用与实践」的演讲。除此之外,各位技术专家还基于 ModelArts 及华为云 IoT 方向设置了实操课题,邀请开发者实操演练,为长沙当地的开发者搭建了一个与华为云技术专家面对面沟通的交流平台。

基于 ModelArts,零代码玩转 AI 开发

华为云 EI 开发者生态经理林旅强。

在你的印象中,发布一个 AI 解决方案需要几步?我们能够想到的包括数据标注、算法定制开发、算法封装、应用集成等。其中,数据标注、算法定制开发都是一个繁琐的过程,加起来可能要耗费数月时间,这对于很多要求尽快上线的需求来说都是不可接受的。而且在这一流程中,开发人员的配置要求也很高,既需要熟悉开源框架的算法专家,也需要熟悉 C/C++ 的算法封装工程师。人多、步骤多,最后问题自然也多。

其实,其中的某些步骤可以通过自动化和复用前人造的轮子来解决,比如数据标注和算法定制开发,这就是 ModelArts 所解决的问题。

对于初学者来说,ModelArts 可以让零 AI 经验的用户借助三个简单的步骤搞定图像分类、物体检测、预测分析、声音分类、文本分类等五大场景,包括数据上传与标注、模型训练和模型验证与发布。

在数据标注方面,ModelArts 智能 AI 数据标注框架所提供的智能数据筛选、自动预标注、团队标注支持等大大提高了标注效率。其中,智能数据筛选可以实现全自动图像聚类,无效图片识别率超过 80%;自动预标注可以进行迭代式半自动数据预标注,将标注效率提升 5 倍;团队标注支持更是可以满足大规模标注的需求。此外,该框架还提供了 30 多个维度的深度数据优化建议,可以避免模型「水土不服」。


在算法方面,华为云 ModelArts 内置 9 大类算法,100 多种算子,涵盖统计、图像(分类、检测、分割)、文本(分类、NER)、时序、强化学习、GNN、运筹优化、视频、声音等领域。用户只需要配置训练数据源,就可以零代码训练、发布模型。此外,在训练过程中,任务是容器化的,可以相互隔离;异构资源可以虚拟化、池化,方便统一管理、调度

华为云 ModelArts 的训练平台是非常灵活的,不仅支持伙伴算法导入、自定义训练逻辑、自定义镜像,还能实现异构资源的快速切换。同时,线性扩展的并行训练能力、全自动调参、丰富的开发模式支持也使得这一平台非常高效。

在推理方面,ModelArts 支持多厂商多框架多功能模型统一纳管,云、边、端各种部署场景以及难例挖掘,可以实现统一管理、灵活部署和迭代式模型更新。

为了方便开发者共享 AI 模型,华为云 ModelArts 团队还开发了 AI 市场。在这一平台上,卖方可以零成本发布模型,买方可以按需订阅、按需部署模型,而 ModelArts 则提供部署能力的全套支撑。此外,鉴于传统方案都无法满足在数据安全可信的前提下,基于买方客户的数据分布差异化对模型进行调优,AI 市场下一步将支持「云端模型」+「云端算法」组合售卖的方式,让云端模型具备二次调优的能力,让买方客户基于自己的差异化数据在云上 ModelArts 进行模型调优。

AIoT 智能设备开发:华为云 IoT 设备接入使用与实践

华为云 IoT 生态解决方案高级工程师刘明星。

随着深度学习的蓬勃发展和 5G 万物互联时代的到来,越来越多的人将 AI 与 IoT 结合到一起来看,AIoT 已经成为传统行业智能化升级的最佳通道,是物联网发展的必然趋势。

AIoT 应用场景举例。

在万物互联的时代,AIoT 拥有广泛的应用场景,但也面临着一些挑战,包括数据孤岛无法互通、标准架构不统一、行业链条长协调难度大、安全可信低等。在各行各业各个领域,如智慧城市、园区、车联网、物流、公共事业、工业等,数据种类多,数据模型不统一,缺乏标准规范。行业链条长,涉及芯片、操作系统、模组、设备、边缘、网络云服务、应用等。解决方案的安全可信方面,隐私保护措施还不够完善。

为了解决这些问题,华为云提供了设备接入服务(IoT Device Access)物联网平台,提供海量设备连接上云、设备和云端双向消息通信、批量设备管理、远程控制和监控、OTA 升级、设备联动规则等能力,并可将设备数据灵活流转到华为云其他服务,帮助物联网行业用户快速完成设备联网及行业应用集成。

设备接入服务在整个 IoT 服务域中的位置。

设备接入服务的内部架构可以分为四层:最下面是负载均衡,能够保证实现亿万级的设备接入;第二层是云通讯网关层,实现了协议数据和标准数据的解耦;第三层是业务连接管理层,实现了设备和产品的管理功能;第四层是公有云支撑的服务。

这一架构中的云服务是由无状态的微服务组成的。无状态意味着可以弹性地缩 / 扩容,不会因为一个实例故障导致整个业务受损,这保证了整个架构的高可靠性。

华为云 IoT 平台还提供了边缘服务和数据分析服务,在各领域有着广泛的应用。

以物流行业为例。仓储是物流与供应链中的库存控制中心,库存成本约占总物流成本的三分之一。物品的出入库与在库管理是仓储的最基本的活动。目前,仓储活动中普遍存在手工清点进出库、货物人工定位等不够「智慧」的情况,仓储管理数字化诉求非常明显。之前,业界利用传统 RFID 进行仓储管理,准确率只能达到 50%-70%,无法大规模商用。华为云推出的智慧仓储解决方案,基于创新 RFID 技术和 IoT 智能分析算法,实现批量货物进出库自动识别率 100%、亚米级定位,让仓储管理从手工扫描升级为实时、批量自动识别,货物定位从人工检索到高精度自动定位,仓储管理效率提升 33%,人工成本平均节省 50%,仓储管理进入「智慧时代」。

实操演练:AIoT 自动售货机区域销量预测分析

除了以上这些干货分享之外,本次 DevRun 开发者沙龙活动现场还设置了主题为「基于华为云 AI+IoT 平台实现自动售货机销量预测」的实操环节,满足开发者完整和饱满的实操演练体验。

在演练过程中,各位开发者全程体验了 IoT 平台连接 ModelArts 服务、各区域物品销售量预测等关键环节,从数据预处理、数据集划分、模型构建、模型训练、模型评估、模型保存到模型应用全程上手操作,掌握了如何基于华为云服务,将开发板上报的数据,传输至 ModelArts 平台,并基于数据进行 AI 处理。

华为云 ModelArts 和 IoT 都有着活跃的开发者社区,这些社区汇聚了课程、认证、AI 云端实验室、交流社区、应用案例、比赛、开发者活动等各类学习资源,活动方式也非常多样,本次开发者沙龙只是众多活动中的一场。

正如华为消费者业务 CEO 余承东所说,「没有人能够熄灭满天星光」,每一位开发者,都是华为要汇聚的星星之火。

工程AIoTIoT华为云ModelArts1024程序员节华为
1
相关数据
华为机构

华为创立于1987年,是全球领先的ICT(信息与通信)基础设施和智能终端提供商,致力于把数字世界带入每个人、每个家庭、每个组织,构建万物互联的智能世界。目前华为有19.4万员工,业务遍及170多个国家和地区,服务30多亿人口。

https://www.huawei.com/cn/
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

池化技术

池化(Pooling)是卷积神经网络中的一个重要的概念,它实际上是一种形式的降采样。有多种不同形式的非线性池化函数,而其中“最大池化(Max pooling)”是最为常见的。它是将输入的图像划分为若干个矩形区域,对每个子区域输出最大值。直觉上,这种机制能够有效的原因在于,在发现一个特征之后,它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小,因此参数的数量和计算量也会下降,这在一定程度上也控制了过拟合。通常来说,CNN的卷积层之间都会周期性地插入池化层。

调度技术

调度在计算机中是分配工作所需资源的方法。资源可以指虚拟的计算资源,如线程、进程或数据流;也可以指硬件资源,如处理器、网络连接或扩展卡。 进行调度工作的程序叫做调度器。调度器通常的实现使得所有计算资源都处于忙碌状态,允许多位用户有效地同时共享系统资源,或达到指定的服务质量。 see planning for more details

文本分类技术

该技术可被用于理解、组织和分类结构化或非结构化文本文档。文本挖掘所使用的模型有词袋(BOW)模型、语言模型(ngram)和主题模型。隐马尔可夫模型通常用于词性标注(POS)。其涵盖的主要任务有句法分析、情绪分析和垃圾信息检测。

运筹优化技术

最优化问题(英语:Optimization problem)在数学与计算机科学领域中,是从所有可行解中寻找最优良的解的问题。根据变数是连续的或离散的,最佳化问题可分为两类:连续最佳化问题与组合优化。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

操作系统技术

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

图像分类技术

图像分类,根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

5G技术

第五代移动通信系统(5th generation mobile networks),简称5G,是4G系统后的延伸。美国时间2018年6月13日,圣地牙哥3GPP会议订下第一个国际5G标准。由于物理波段的限制,5G 的网络也将会与其他通信技术并用,包含长距离的其他传统电信波段。

图像聚类技术

聚类是一种运用广泛的探索性数据分析技术,直观上讲,聚类是将对象进行分组的一项任务,使相似的对象归为一类,不相似的对象归为不同类中。当聚类对象是图像的时候,就是所谓的图像聚类。

推荐文章
暂无评论
暂无评论~