Neuton.ai — это автоматизированная платформа без кода, которая позволяет пользователям создавать чрезвычайно компактные модели искусственного интеллекта и встраивать их в невероятно маленькие устройства, даже с 8-битной разрядностью.

Если коротко, полный рабочий процесс машинного обучения в Neuton состоит из 3 простых шагов:

1. Выбрать данные для обучения.
2. Обучить модель
3. Сделать прогнозы или запустить модель на устройстве.

Как видите, продукт достаточно простой.

Читайте обзор в статье: «Обзор Neuton.ai — платформы для машинного обучения без кода»

Платформа Neuton имеет тестовую версию, не требующую регистрации. В ней вы можете увидеть, как решаются различные задачи и реализуются возможности платформы. Также здесь можно загрузить предварительно обученные модели. Кроме того, вы можете обучать модель самостоятельно, используя предварительно загруженные наборы данных (текст, цифры и т.д.), которые могут вдохновить вас на решение ваших собственных задач.

Чтобы создавать свои собственные модели, настройте учетную запись Google Cloud Platform и подпишитесь на план Neuton Free Zero Gravity.

А чтобы освоить другие нейросети — приходите на наш бесплатный вебинар! Там мы обсудим как работает искусственный интеллект, как его использовать для своих задач и пообщаемся с ChatGPT.

Управление решениями

Все решения описаны в списке «Мои решения» в рабочей области пользователя, отсортированном по дате создания в порядке убывания, но порядок сортировки, конечно, можно изменить.

В информационной области можно найти следующую информацию о каждом соответствующем решении:

• Created: дата и время, когда вы создали это решение,
• Training started: дата и время начала обучения,
• Training completed: дата и время завершения обучения,
• Predictions: это прогнозы, которые выдала обработка данных, статус по умолчанию — отключен. Если в настройках прогнозы включены, вместо Disabled будет отображена дата и время прогноза,
• Task type: тип проблемы, для которого было настроено решение. Это может быть Регрессия, Бинарная классификация или Мультиклассовая классификация,
• Accuracy: это точность модели, выбранная целевая метрика для модели и ее значение. Чем ближе число к единице, тем более точные результаты дает модель,
• Статус решения — это цветной овал рядом с названием решения. Он отражает текущее состояние решения. Таких статусов шесть: Создается, Набор данных настроен, Идет обучение, Обучение завершено, Предсказание включено, Прогноз настроен.

В области управления можно найти и функциональные кнопки, которые помогут настроить решения или попасть на нужную вкладку.

Analytics Tools: Это кнопка, открывающая инструмент исследовательского анализа данных и меню матрицы важности функций.

Матрица важности функций (FIM) — это диаграмма, на которой представлены 10 признаков, оказавших наиболее значительное влияние на предсказание модели целевой переменной. Эти функции используют быстрое преобразование Фурье для вычисления частоты пиков и их мощности. Если выбраны функции Frequency, размер окна должен быть равен степени 2.

Solution Details: Это детали решения. Нажав на эту кнопку, можно выбрать набор данных для обучения, настроить параметры обучения модели, вмешиваться в ход обучения или добавлять прогноз.

Значок шестеренки — это привычное нам меню настроек, там можно переименовать решение или удалить его.

Обучение модели

Процесс обучения модели в Neuton состоит из следующих шагов:

Шаг 1. Создание виртуальной машины (ВМ)

Виртуальная машина (ВМ) автоматически выделяется для выполнения следующих задач:

• предварительная обработка данных,
• разработка функций,
• обучение модели,
• проверка и подготовка библиотеки для прогнозов.

Этот процесс полностью автоматизирован и не требует ввода или действий пользователя.

Шаг 2: Подготовка данных

Цифровая обработка сигналов (DSP) для данных датчиков. Этот параметр делает данные подходящими для создания моделей. DSP состоит из работы с окнами, извлечения необходимых признаков и их выбора. Пользователь может гибко выбирать необходимые настройки.

Интересно, что обрабатывать можно даже аудио-файлы. Преобразование аудиофайлов в формат CSV включает в себя построение спектрограммы и выполнение других преобразований аудио-сигналов по заданным пользователем параметрам.

Шаг 3: Обучение и проверка модели

На этом этапе алгоритм Neuton автоматически создаст архитектуру нейронной сети для достижения наилучшего возможного результата по проверочным данным (измеряется метрикой, выбранной пользователем).

После завершения обучения модели, создается архив, который содержит все необходимое для встраивания модели в микроконтроллер или выполнения прогноза уже в той инфраструктуре, в которой вы планировали внедрить искусственный интеллект. Также возможно выполнять прогнозы прямо на платформе.

После начала обучения вы увидите индикатор выполнения процесса обучения.

Шаг 4. Завершение работы виртуальной машины

По завершении обучения виртуальная машина будет автоматически отключена. Вы можете управлять своими данными, моделями, решениями и результатами прогнозов через вкладку «Хранилище набора данных». Щелкните на вкладку «Dataset Storage» на главном экране, чтобы получить доступ к списку папок.

На вкладке управления набором данных вы можете отслеживать использование объема хранилища. Например, «Usage 2.12 GB» означает, что 2,12 ГБ хранилища Neuton используется для ваших данных, моделей, результатов прогнозирования и т.д.

Параметры тренировки

Выше мы уже говорили, что можно проставлять типы проблем для решений. На самом деле, Neuton может автоматически определять тип задачи на основе значений целевых переменных.

ВАЖНО: Если Neuton автоматически определил тип задачи как бинарную классификацию, вы не можете переключить ее на другой тип задачи. Но если Neuton определил тип задачи как мультиклассовую классификацию, вы можете переключить ее на регрессию, и наоборот.

Давайте разберемся что значит каждый тип.

Регрессия

Регрессия используется для прогнозирования непрерывных числовых значений целевой переменной.

Например:

• цена,
• температура,
• возраст,
• любое другое действительное числовое значение.

Двоичная классификация

Эта классификация используется для прогнозирования одного из двух возможных результатов или классов.

Например:

• «да» или «нет»
• «черный или белый»
• 0 или 1

Если все значения вашей целевой переменной представлены только двумя уникальными значениями, это тип задачи бинарной классификации.

Мультиклассификация

Такая классификация используется для прогнозирования одного значения из ограниченного числа (более 2) возможных результатов. Например:

• «красный», «зеленый» или «желтый»
• «высокий», «средний» или «низкий»
• 1, 2 или 3

Если все значения целевой переменной представлены фиксированным числом уникальных значений или классов, то это тип задачи Мультиклассовой классификации.

Управление набором данных

Наборами данных можно управлять с помощью следующих действий:

• удалить набор данных
• просмотреть набор данных
• скачать набор данных

Например, чтобы навсегда удалить набор данных, вы можете использовать значок удаления рядом с именем набора данных. Система спросит вас, уверены ли вы, что хотите его удалить.

Чтобы загрузить набор данных, используйте значок загрузки рядом со значком линзы, который используется для просмотра набора данных. Пользователи могут также загрузить и прогнозы на локальный жесткий диск в виде CSV-файла.