Link to: 人工智能實驗室
人工智能實驗室――建設方案
Link to: 五大實驗環境
人工智能實驗室五大實驗環境
機器學習環境、深度學習環境、Docker環境、Jupyter環境、OpenStack環境
一、機器學習實驗環境
普開人工智能實驗室——機器學習實驗環境：是一個機器學習計算服務平臺。通過整合高性能計算、云計算、大數據、機器學習等多學科的關鍵技術，提供一站式機器學習云計算應用服務解決方案.能夠幫助用戶快速構建機器學習應用，以解決實際問題，同時可以導出相關代碼，供用戶學習使用。 AI機器學習實驗環境集成分類、聚類、回歸、關聯規則、推薦算法及自然語言處理算法等多種算法，并提供直觀易用的拖拽式操作，使用戶無需編程也可訓練模型。
典型應用場景
機器學習通過分類方法獲得分類器以進行預測、通過聚類方法進行數據分析、通過關聯規則方法挖掘隱藏的信息、通過時間序列方法對時序問題進行研究以及各類推薦算法等。為我們帶來巨大方便的同時，潛移默化的將人工智能技術滲透到生活的方方面面。如：智能駕駛、金融、電商、農業、工業制造、醫療、政府、軍工等。
產品亮點
普開人工智能實驗室——操作簡單、算法豐富、支持代碼導出，提供多種企業應用級模型，基于行業的機器學習多種算法，通過拖拉拽方式輕松完成數據預處理和構建訓練模型，流程簡潔，直觀易懂，還體用一鍵導出代碼功能，通過平臺處理的工作模型自定義建模。
主要功能
普開人工智能實驗室——AI機器學習實驗環境：通過易操作、圖形化、拖拽式的界面，為初學者用戶量身定做了一個簡單高效的機器學習訓練平臺。該系統通過簡單的5個步驟，即可定制化訓練出用戶所需的工作模型：該系統同時也支持各行業的工程應用，用戶可以使用該訓練系統開發對應需求的工程應用及科研服務。
功能界面展示
人工智能實驗室——AI深度學習實驗環境；通過整合人工智能、高性能計算、大數據及云計算等多學科的關鍵技術，提供從訓練到推理的一站式人工智能應用服務解決方案，能夠幫助用戶快速構建人工智能研發及科研環境，大幅降低人工智能技術準入門檻，提升人工智能研發效率。該系統集成圖像分類、目標檢測等多個應用場景，提供從數據集管理、模型管理、模型訓練到模型輸出的全流程AI計算服務。
產品特點
機器學習通過分類方法獲得分類器以進行預測、通過聚類方法進行數據分析、通過關聯規則方法挖掘隱藏的信息、通過時間序列方法對時序問題進行研究以及各類推薦算法等。為我們帶來巨大方便的同時，潛移默化的將人工智能技術滲透到生活的方方面面。如：智能駕駛、金融、電商、農業、工業制造、醫療、政府、軍工等。
交互式全流程計算服務
用戶全程無需編寫代碼即可完成機器學習計算任務。友好的WEB交互式界面，用戶可選擇算法，搭建包含數據預處理、特征工程及機器學習算法的工作模型，填寫算法參數并選擇計算資源，即可完成所設定的工作流程，由服務器計算任務結果并展示結果。
并行框架集成
平臺預集成配置的Hadoop、Spark等計算框架，每個算法都是并行的，可以在分布式系統spark上執行。
數據集管理
支持上傳原始數據，通過預置的數據預處理和特征工程算法，對原始數據進行處理，得到所需可用數據。
機器學習算法集成
集成分類、聚類、回歸、關聯規則、文本分析及推薦算法等常用算法，包括決策樹、K均值、Aporiori等
模型訓練監控
提供模型訓練可視化監控界面，可實時監控模型訓練進度、資源消耗等。并對模型計算結果可視化展示。
模型預測
可對用戶上傳的測試數據進行測試，并給出預測結果的可視化展示。
模型輸出
支持對已訓練完成的模型進行代碼生成并導出，可滿足用戶對于模型調用的彈性需求。
主要功能模塊
人工智能實驗——AI深度學習實驗環境：是使用Docker為容器構建的底層結構；使用TensorFlow、Pytorch等主流框架作為計算框架，并采用AlexFCN、AlexNet、FasterRCNN-VGG16、、Inception-V1、LeNet、MobileNet、ResNet50 SqueezeNet等15種神經網絡算法，為用戶提供高效、低錯誤率的實驗環境，可以應用于圖像分類和目標檢測等多種場景中。
功能界面展示——深度學習圖片分類
圖片分類是識別一張圖中是否是某類/某狀態/某場景，適合圖中主體相對單一的場景。在各分類圖片之間差異明顯的情況下，訓練數據每類僅需少量圖片，最快幾分鐘可訓練完畢,圖像分類應用場景豐富
- 圖片內容檢索：定制訓練需要識別的各種物體，并結合業務信息展現更豐富識別結果
- 工業分揀或質檢：定制生產線上各種產品識別，進而實現自動分揀或者質檢
- 圖片審核：定制圖像審核規則，如訓練直播場景中抽煙等違規現象
功能界面展示——深度學習圖片分類
目標檢測是在一張圖包含多個物體的情況下，定制識別出每個物體的位置、數量、名稱，適合圖片中有多個主體的場景。定制物體檢測模型，可以檢測出圖片里面的所有目標物體名稱、位置。適用于一張圖片中要識別多個物體，物體計數等場景中。在各檢測物體之間差異明顯的情況下，訓練數據每個標簽僅需覆蓋少量圖片，訓練時間可能需要幾分鐘以上，物體檢測應用場景豐富。
- 物體計數：如零售行業貨品擺放統計、醫療細胞計數
- 工業質檢：如檢測出圖片里微小瑕疵的數量和位置
三、Docker實驗環境
人工智能實驗室——?Docker實驗環境：集中算力模式下，底層采用Docker技術實現，并使用K8S技術實現分布式集中管理。在應用層面上本平臺貼合用戶直接與教學業務場景緊密結合；從容器制作到容器使用全部都內嵌到平臺中。可支持教師深度二次開發各種信息類課程底層環境,也可用于課堂演示等等。
四、Jupyter實驗環境
人工智能實驗室——Jupyter實驗環境：在諸多數據科學類實驗環境中，Jupyter是一個極易上手的IDE。包括各類開發語言均可內置，例如：Python3、R語言等，而且可以支持控制臺模式。本平臺采用集中算力統一管控方式（K8S），并將Jupyter lab版本內嵌到WEB中，方便學生實訓，教師演示。
五、OpenStack實驗環境
人工智能實驗室——OpenStack實驗環境：本實驗環境采用集中算力模式，并按教學和實訓的應用需求，為用戶分配資源，多算力環境中使用Openstack進行集中管控，可以滿足教學、實訓時所需要的各類Linux虛擬機、Windows虛擬機的使用。
大數據人工智能實驗室用戶案例
關注普開數據