¿Cómo elegir el marco de desarrollo de IA adecuado?

Elegir un marco de desarrollo de IA es tan importante como elegir los planos de construcción para un constructor, y para ser honesto, las opciones son realmente confusas. Hace unos días y algunos amigos desarrolladores chat, se quejan de TensorFlow y PyTorch "se aman", al igual que la guerra de iOS y Android. Pero el problema es que esta decisión puede conducir a la posterior experiencia de desarrollo es muy diferente, e incluso afectar directamente el éxito o el fracaso del proyecto. Después de todo, cada framework tiene su propia filosofía de diseño y escenarios de aplicación únicos, por lo que realmente no se puede mirar sólo a la reputación a la hora de elegir.

Los requisitos del proyecto son fundamentales

El año pasado, un equipo de una startup de IA sanitaria se metió en un buen lío porque eligió un marco de trabajo inadecuado. Fueron directamente a TensorFlow, sólo para descubrir que el framework "de grado industrial" era demasiado difícil de manejar para su pequeño proyecto de rápida iteración. No es raro que los equipos opten por el último framework JAX, sólo para descubrir que la documentación y el apoyo de la comunidad son todavía muy inmaduros. Así que mi consejo es averiguar primero la naturaleza del proyecto: ¿se trata de un experimento rápido para investigación? ¿O necesita desplegarse en el entorno de producción de aplicaciones empresariales? Se trata de un gran problema, la elección equivocada puede suponer pagar el doble o el triple de los costes de desarrollo.

Indicadores prácticos que no deben ignorarse

Cuando se trata de los criterios de selección reales, además del rendimiento del marco en sí, algunos factores periféricos son bastante a menudo se pasa por alto. Por ejemplo, el punto de la actividad de la comunidad - usted no puede imaginar, PyTorch en GitHub resolución de problemas más rápido que TensorFlow casi 40%, que es un salvavidas cuando se trata de problemas urgentes. Otro caso de la vida real: una empresa nacional de IA eliminó una vez dos alternativas directamente debido a la falta de documentación en chino para el framework. Además, la pila tecnológica de los miembros del equipo también es una consideración clave, forzar la introducción de una pila tecnológica completamente nueva puede traer una curva de aprendizaje desastrosa.

La compatibilidad de hardware es igualmente importante. Hemos hecho pruebas y PyTorch realmente sobresale en GPUs NVIDIA, pero si quieres ejecutar modelos en TPUs, entonces TensorFlow podría ser la opción más segura. También depende de los posibles planes de expansión en el futuro, ¿no? A veces, elegir un framework es en realidad pagar por el hardware.

No hay necesidad de perseguir ciegamente lo nuevo

Ahora en el mercado de vez en cuando surgirán nuevos marcos, como el reciente MindSpore caliente y OneFlow, pero experimentado varios cambios de tecnología en el desarrollo de edad le dirá que la estabilidad es a menudo más importante que la novedad. Una vez tuve un proyecto que se retrasó durante medio año con el fin de utilizar el último marco, que fue una verdadera lección aprendida. Mi experiencia personal es que, para proyectos de producción, hay que tener al menos 2-3 años de madurez antes de plantearse la adopción. Para proyectos de investigación, es posible atreverse, después de todo, este tiempo para aprender nuevas tecnologías es más importante que la estabilidad del proyecto.

Al fin y al cabo, no hay una respuesta estándar para elegir un marco de IA, al igual que no hay una panacea. Depende de todo: del equipo, del proyecto, de los recursos y del desarrollo futuro. Quizá la única certeza sea que merece la pena dedicar uno o dos días a una investigación adecuada, en lugar de limitarse a coger el marco más popular y utilizarlo. Después de todo, en esta era de explosión de la IA, elegir la herramienta adecuada podría significar la mitad de la batalla.