A IA pode lutar contra o aumento do número de ataques de ransomware
Os ataques de ransomware estão aumentando, mas a IA pode ajudar a lidar com os vírus de computador mais recentes? AI é a resposta? Leia aqui para saber se é AI boone ou bane
As abordagens tradicionais de desenvolvimento são difíceis de manter ao usar modelos complexos de aprendizado de máquina na produção. O desenvolvimento em um laptop ou máquina local pode ser lento para treinar o modelo de aprendizado de máquina para engenheiros de aprendizado profundo. Como resultado, normalmente usamos máquinas em nuvem com hardware mais poderoso para treinar e executar nossos modelos de aprendizado de máquina. Essa é uma boa prática, pois abstraímos a computação complexa e, em vez disso, fazemos solicitações AJAX conforme necessário. Neste tutorial, disponibilizaremos um modelo de aprendizado profundo pré-treinado chamado Word2Vec para outros serviços, criando uma API REST desde o início.
sudo
usuárioA incorporação de palavras é um desenvolvimento recente no processamento de linguagem natural e aprendizado profundo que revolucionou os dois campos devido ao rápido progresso. Incorporações de palavras são essencialmente vetores que correspondem a uma única palavra, de modo que os vetores significam as palavras. Isso pode ser demonstrado por certos fenômenos, como o vetor para king - queen = boy - girl
. Os vetores de palavras são usados para criar tudo, de mecanismos de recomendação a bots de bate-papo que realmente entendem o idioma inglês.
Os casamentos de palavras não são aleatórios; eles são gerados treinando uma rede neural. Uma implementação recente e poderosa de incorporação de palavras vem do Google, chamada Word2Vec, que é treinada prevendo palavras que aparecem ao lado de outras palavras em um idioma. Por exemplo, para a palavra "cat"
, a rede neural irá prever as palavras "kitten"
e "feline"
. Essa intuição de palavras que aparecem próximas umas das outras nos permite colocá-las no espaço vetorial.
No entanto, na prática, tendemos a usar os modelos pré-treinados de outras grandes empresas, como o Google, para prototipar rapidamente e simplificar os processos de implantação. Neste tutorial, faremos o download e usaremos as combinações pré-treinadas de palavras do Word2Vec do Google. Podemos fazer isso executando o seguinte comando em nosso diretório de trabalho.
wget http://magnitude.plasticity.ai/word2vec/GoogleNews-vectors-negative300.magnitude
O modelo de incorporação de palavras que baixamos está em um .magnitude
formato. Esse formato nos permite consultar o modelo com eficiência usando SQL e, portanto, é o formato de incorporação ideal para servidores de produção. Como precisamos ler o .magnitude
formato, instalaremos o pymagnitude
pacote. Também instalaremos flask
para servir posteriormente as previsões de aprendizado profundo feitas pelo modelo.
pip3 install pymagnitude flask
Também o adicionaremos ao nosso rastreador de dependência com o seguinte comando. Isso cria um arquivo nomeado requirements.txt
e salva nossas bibliotecas Python para que possamos reinstalá-las posteriormente.
pip3 freeze > requirements.txt
Para começar, criaremos um arquivo para lidar com a abertura e a consulta da palavra incorporação.
touch model.py
Em seguida, adicionaremos as seguintes linhas model.py
para importar o Magnitude.
from pymagnitude import Magnitude
vectors = Magnitude('GoogleNews-vectors-negative300.magnitude')
Podemos brincar com o pymagnitude
pacote e o modelo de aprendizado profundo usando o query
método, fornecendo um argumento para uma palavra.
cat_vector = vectors.query('cat')
print(cat_vector)
Para o núcleo da nossa API, definiremos uma função para retornar a diferença de significado entre duas palavras. Essa é a espinha dorsal das soluções de aprendizado mais profundo para coisas como mecanismos de recomendação (ou seja, exibir conteúdo com palavras semelhantes).
Podemos brincar com essa função usando as funções similarity
e most_similar
.
print(vectors.similarity("cat", "dog"))
print(vectors.most_similar("cat", topn=100))
Implementamos a calculadora de similaridade da seguinte maneira. Este método será chamado pela API do Flask na próxima seção. Observe que essa função retorna um valor real entre 0 e 1.
def similarity(word1, word2):
return vectors.similarity(word1, word2)
Criaremos nosso servidor em um arquivo nomeado service.py
com o seguinte conteúdo. Importamos flask
e request
manipulamos os recursos do servidor e importamos o similarity
mecanismo do módulo que escrevemos anteriormente.
from flask import Flask, request
from model import similarity
app = Flask(__name__)
@app.route("/", methods=['GET'])
def welcome():
return "Welcome to our Machine Learning REST API!"
@app.route("/similarity", methods=['GET'])
def similarity_route():
word1 = request.args.get("word1")
word2 = request.args.get("word2")
return str(similarity(word1, word2))
if __name__ == "__main__":
app.run(port=8000, debug=True)
Nosso servidor é bastante simples, mas pode ser facilmente estendido criando mais rotas usando o @app.route
decorador.
Podemos executar nosso servidor Flask executando os seguintes comandos para ativar nosso ambiente virtual, instalar nossos pacotes e executar seu arquivo Python associado.
source venv/bin/activate
pip3 install -r requirements.txt
python3 service.py
Nosso servidor estará disponível em localhost:8000
. Podemos consultar nosso banco de dados em localhost:8000/similarity?word1=cat&word2=dog
e visualizar a resposta em nosso navegador ou através de outro cliente AJAX.
Os ataques de ransomware estão aumentando, mas a IA pode ajudar a lidar com os vírus de computador mais recentes? AI é a resposta? Leia aqui para saber se é AI boone ou bane
ReactOS, um sistema operacional de código aberto e gratuito está aqui com a versão mais recente. Será que ela pode atender às necessidades dos usuários modernos do Windows e derrubar a Microsoft? Vamos descobrir mais sobre esse estilo antigo, mas uma experiência de sistema operacional mais recente.
O Whatsapp finalmente lançou o aplicativo Desktop para usuários de Mac e Windows. Agora você pode acessar o Whatsapp do Windows ou Mac facilmente. Disponível para Windows 8+ e Mac OS 10.9+
Leia isto para saber como a Inteligência Artificial está se tornando popular entre as empresas de pequena escala e como está aumentando as probabilidades de fazê-las crescer e dar vantagem a seus concorrentes.
Recentemente, a Apple lançou o macOS Catalina 10.15.4, uma atualização suplementar para corrigir problemas, mas parece que a atualização está causando mais problemas, levando ao bloqueio de máquinas mac. Leia este artigo para saber mais
13 Ferramentas de Extração de Dados Comerciais de Big Data
Nosso computador armazena todos os dados de uma maneira organizada conhecida como sistema de arquivos Journaling. É um método eficiente que permite ao computador pesquisar e exibir arquivos assim que você clicar em search.https: //wethegeek.com/? P = 94116 & preview = true
À medida que a ciência evolui em um ritmo rápido, assumindo muitos de nossos esforços, os riscos de nos sujeitarmos a uma singularidade inexplicável também aumentam. Leia, o que a singularidade pode significar para nós.
Uma visão sobre 26 técnicas analíticas de Big Data: Parte 1
A IA na área da saúde deu grandes saltos nas últimas décadas. Portanto, o futuro da IA na área da saúde ainda está crescendo dia a dia.