Am 12. Juli 2022 veröffentlichte die Jiuzhang Yunji DataCanvas Company eine weitere bahnbrechende Errungenschaft der Open-Source-Technologie – das Open-Source-Projekt YLearn für kausales Lernen und hielt erfolgreich eine Online-Pressekonferenz ab.
Die Konferenz steht unter dem Motto „Von der Vorhersage zur Entscheidungsfindung, verständliche KI“ und lädt insbesondere Experten auf dem Gebiet des kausalen Lernens und der künstlichen Intelligenz ein: Jiuzhang Yunji DataCanvas Mitbegründer und CTOShang Mingdong, CSDN-Gründer und Vorsitzender, Jiang Tao, Gründungspartner von GeekBang Venture Capital, Cui Peng, ständiger außerordentlicher Professor und Doktorvater der Fakultät für Informatik an der Tsinghua-Universität, und das YLearn R&D-Team diskutierten gemeinsam die neuesten Forschungsergebnisse zum kausalen Lernen in der Wissenschaft und Industrie fördern gemeinsam die rasche Entwicklung der Kausalwissenschaft.
YLearn Causal Learning Open Source Project ist das weltweit erste One-Stop-Open-Source-Algorithmus-Toolkit, das den gesamten Prozess abwickelt des kausalen Lernens und ist der erste, der das Problem löst. Die fünf Schlüsselthemen beim kausalen Lernen sind „kausale Entdeckung, kausale Quantitätsidentifizierung, kausale Wirkungsschätzung, kontrafaktische Schlussfolgerung und Strategielernen“ Es hat die Eigenschaften von aus einer Hand , neu und umfassend, mit breitem Einsatzspektrum und wird von „Entscheidungsträgern“ genutzt. Der Schwellenwert wird auf das niedrigste Niveau gesenkt, was Regierungen und Unternehmen hilft, ihre automatisierten „Entscheidungsfindung“-Fähigkeiten effektiv zu verbessern. YLearn Causal Learning Open Source Project
ist nach demDAT Automatic Machine Learning Toolkit und der DingoDB Real-Time Interactive Analysis Database das dritte Open Source Tool, das von der Firma Jiuzhang Yunji DataCanvas veröffentlicht wurde. Seitdem hat die Open-Source-Basissoftware von Jiuzhang Yunji DataCanvas ihr Einsatzgebiet weiter ausgebaut. Die Reihe von Open-Source-Basistools, die modernste KI-Technologien wie AutoML und kausales Lernen integrieren, wird die Freisetzung des Werts der Datenintelligenz weiter beschleunigen Regierung und die gesamte Industrie. Durch die Kombination innovativer Erkenntnisse aus hochmodernen akademischen Bereichen und Marktanwendungsfeldern stellte das Forschungs- und Entwicklungsteam des Open-Source-Projekts Jiuzhang Yunji DataCanvas fest, dass die derzeit weit verbreiteten Geschäftsprognoseergebnisse auf der Grundlage maschinellen Lernens zwar wirksam zur Verbesserung des Geschäftseinkommens beigetragen haben. Es liegt auf der Hand, aber angesichts der steigenden Nachfrage von Regierungen und Unternehmen nach „autonomer KI“ und „intelligenter Entscheidungsfindung“ benötigen Entscheidungsträger einen verständlichen „Grund“, der erklären kann, warum eine Entscheidung getroffen wird. Die Darstellung „kausaler Zusammenhänge“ ist damit zu einer unverzichtbaren Funktion für die Datenanalyse und intelligente Entscheidungsfindung geworden, maschinelles Lernen, das nur Daten „Korrelation“ liefert, kann dies jedoch nicht leisten. Die Integration von
mit der „Causal Learning“-Technologie wird die beste Lösung für dieses Problem sein, und das Open-Source-Projekt YLearn Causal Learning wurde geboren.Das Open-Source-Projekt YLearn für kausales Lernen (im Folgenden als „YLearn“ bezeichnet) verfügt auch über das Gen „Open Source, flexibel und automatisch“ des DataCanvas-Produkts von Jiuzhang Yunji. Basierend auf der Open-Source-Community zielt YLearn darauf ab, die Marktlücke zu schließen, in der ein vollständiges, umfassendes End-to-End-Toolkit für kausales Lernen fehlt, und mit globalen Open-Source-Mitwirkenden zusammenzuarbeiten, um ein 
End-to-End-Toolkit zu schaffen Das vollständige und systematischste
Derzeit besteht YLearn aus CausalDiscovery, CausalModel, EstimatorModel, Policy, Interpreter und anderen Komponenten. Jede Komponente unterstützt die unabhängige Verwendung und einheitliche Verpackung. Durch diese flexiblen Komponenten implementiert YLearn Funktionen wie die Verwendung von Kausaldiagrammen zur Darstellung von Kausalbeziehungen in Datensätzen, die Identifizierung von Kausaleffekten, Wahrscheinlichkeitsausdrücken und verschiedenen Schätzmodellen und wird die Leistung nach neuesten Forschungsergebnissen weiter steigern und verbessern.
Um die Nutzungsschwelle weiter zu senken und den Nutzungsprozess klar, einfach und benutzerfreundlich zu gestalten, wird YLearn auch die Kerntechnologie der Jiuzhang Yunji DataCanvas Company integrieren – automatisches maschinelles Lernen von AutoML. Mit der Unterstützung der AutoML-Technologie wird YLearn erweiterte „automatisierte“ Funktionen wie automatische Parameteranpassung, automatische Optimierung und die automatische Generierung mehrerer Entscheidungslösungen entsprechend dem Ergebnis „Y“ realisieren Erstellen Sie eine visuelle Entscheidungskarte auf der Grundlage kausaler Zusammenhänge, z. B. das Festlegen von Betriebsindikatoren für den Unternehmensbetrieb, und leiten Sie auf interaktive Weise die Auswirkungen und Vorteile verschiedener Entscheidungen ab. Das Open-Source-Projekt YLearn für kausales Lernen, das eine automatisierte Kausalitätsanalyse bereitstellt, wird Entscheidungsträgern wichtige Unterstützung bieten, um die Logik der KI-Entscheidungsfindung zu verstehen und die Glaubwürdigkeit der KI-Entscheidungsfindung zu erhöhen Schlüssel, um die Tür zur „automatisierten Entscheidungsfindung“ in Regierungen und Unternehmen zu öffnen. Kausales Lernen – führt künstliche Intelligenz auf eine neue StufeDas Potenzial des kausalen Lernens und sein Einfluss auf die zukünftige Ausrichtung der Technologie der künstlichen Intelligenz wurden von Wissenschaft und Industrie erkannt. Judea Pearl, Gewinnerin des Turing-Preises 2011 und Vater der Bayes’schen Netzwerke, erwähnte einmal, dass „die Entwicklung der KI ohne die Fähigkeit, über kausale Zusammenhänge nachzudenken, grundsätzlich begrenzt sein wird.“Fakultät für Informatik der Tsinghua-Universität, ständiger außerordentlicher Professor und DoktorvaterCui Peng wies auf dieser Pressekonferenz darauf hin, dass „kausale Statistiken eine wichtige Rolle bei der theoretischen Grundlage der neuen Generation spielen werden.“ der künstlichen Intelligenz.“ Die Hauptursache für die aktuellen Einschränkungen der künstlichen Intelligenz liegt darin, „sie zu wissen, aber nicht zu wissen, warum“. Unter ihnen bezieht sich „ran“ in „wissen“ auf die „Korrelationsbeziehung“ zwischen Daten und „so-ran“ auf die „kausale“ Beziehung zwischen Daten. Durch jahrelange Forschung zur Einführung von Kausalstatistiken in maschinelles Lernen stellte das Team von Professor Cui fest, dass Kausalstatistiken eine hervorragende Leistung bei der Lösung der Stabilitätsprobleme, Interpretierbarkeitsprobleme und Algorithmus-Fairness-Probleme des maschinellen Lernens erbringen.
Der kommerzielle Markt erfordert auch eine Beschleunigung der industriellen Anwendung der Technologie des kausalen Lernens. In Gartners neuestem Innovationsbericht zum kausalen Lernen „Innovation Insight: Causal
AI“ heißt es: „Künstliche Intelligenz muss über korrelationsbasierte Vorhersagen hinaus auf kausalitätsbasierte Lösungen übergehen, um eine bessere Entscheidungsfindung und eine stärkere Automatisierung zu ermöglichen … Kausale KI ist von entscheidender Bedeutung.“ in die Zukunft.“
Kausale Lerntechnologie wird die Autonomie, Erklärbarkeit, Anpassungsfähigkeit und Robustheit der Technologie der künstlichen Intelligenz erheblich verbessern. Diese Funktionen werden die Kosten weiter senken und die Effizienz für Regierungen und Unternehmen steigern, die digitale Intelligenz-Upgrades auf der Grundlage von KI-Technologie implementieren und einen unerwarteten Datenwert erzielen.
Eine Spitzentechnologie kann eine erfolgreiche groß angelegte Anwendung auf dem kommerziellen Markt erzielen, und sie ist untrennbar miteinander verbunden von leistungsstarken Open-Source-Tools erleichtern und katalysieren.
Genau wie Sklearn (eines der bekanntesten Programmiermodule im Bereich maschinelles Lernen) für die Anwendung maschineller Lerntechnologie sowie TensorFlow und PyTorch (zwei voll funktionsfähige Frameworks für den Aufbau von Deep Learning). Modelle) Angesichts der großen Bedeutung und des Wertes der Anwendung der Deep-Learning-Technologie besteht auch ein dringender Bedarf an einem „Open-Source-Tool“, um Anwendungsengpässe im Bereich des kausalen Lernens zu überwinden.
Das Aufkommen des Open-Source-Toolkits für kausales Lernen von YLearn löst das „steckengebliebene“ Problem des Fehlens eines leistungsstarken und vollständigen Toolkits für kausales Lernen auf dem Markt und beschleunigt die Einführung der Technologie für kausales Lernen von „ Labor“ „Industrielle Anwendungen“. Gründer und Vorsitzender von CSDN und Gründungspartner von GeekBang Venture Capital江洋 sagte: „Es ist Zeit für Open Source in China, und es wird einen größeren Markt geben, wenn die Technologie zivilisiert wird. YLearn ist sehr optimistisch Die Anwendung der KI-Technologie in verschiedenen Branchen wird große Impulse geben.
Die Entwicklung der Softwareindustrie meines Landes ist die Grundlage für das Wachstum der Open-Source-Branche mit Wachstumsboden. Das Land legt großen Wert auf die Entwicklung der Open-Source-Industrie und fördert sie erstmals im „14. Fünfjahresplan“. Yunji DataCanvas Mitbegründer und CTO 山明东 sagte in seiner Rede auf der Pressekonferenz: „2022 ist das Jahr des Aufschwungs von Open Source.“ Wir glauben, dass Software im Bereich der KI im Vergleich zu Anwendungssoftware das „Hauptschlachtfeld“ für Basissoftware ist. ”
Jiuzhang Yunji DataCanvas hält an der Produktkultur des Unternehmens Jiuzhang Yunji DataCanvas fest, das sich eng auf das technologische Innovationskonzept „Datenintelligenz“ und „Integration und Anwendung von KI-Technologie in tatsächlichen Geschäftsszenarien“ konzentriert, und ist Open Source Projekt-Forschungs- und Entwicklungsteam Während wir Open-Source-Tools innovieren und iterieren, nehmen wir weiterhin die Bedürfnisse und Rückmeldungen aus praktischen Anwendungen in verschiedenen Szenarien von der Regierung und der Industrie auf. Gleichzeitig wird die KI-Basissoftware-Produktreihe von Jiuzhang Yunji DataCanvas kontinuierlich weiterentwickelt Durch die Integration und Anwendung mit unabhängig entwickelten Open-Source-Tools können Regierungs- und Unternehmenskunden schneller von dem Geschäftswert profitieren, der durch die Anwendung der KI-Fusionstechnologie entsteht
.Das obige ist der detaillierte Inhalt vonDas Open-Source-Projekt YLearn für kausales Lernen hilft der künstlichen Intelligenz dabei, auf eine neue Stufe zu gelangen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
