Изброените по-долу платформи за ИИ могат да се използват за Linux, а някои от тях и за други операционни системи. Списъкът не е подреден по никакъв критерий - просто са разгледани съществуващите системи за изкуствен интелект.
1. Deep Learning for Java (Deeplearning4j)
Deeplearning4j е комерсиален продукт с отворен код от типа инсталирай и използвай. Включени са библиотеки за дълбоко машинно обучение създадени с програмните езици Java и Scala. Този проект е специално създаден за бизнес-приложения, интегрирани с Hadoop и Spark, използващи мощни графични и централни процесори.
2. Caffe – Deep Learning Framework
Платформата Caffe е характерна с модулната структура, която осигурява много дълбоко машинно обучение, като платформата е оптимизирана за скоростна и бърза работа. Разпространява се с BSD 2-Clause лиценз и вече активно се използва в проекти в различни области - научни изследвания, създаване и настройка на прототипи, във визуалните, гласовите и мултимедийните направления.
3. H20 – Distributed Machine Learning Framework
H20 е с открит код и има бърза, мащабируема и разпределяща се структура за машинно обучение, като в основата на цялата система са включени множество специализирани алгоритми. Платформата поддържа смарт-приложения, като например дълбоко машинно обучение, повишаване на градиента, случайни масиви, обобщено линейно моделиране (логистична регресия, Elastic Net) и още много други.
Това е комерсиален ИИ, предназначен за вземане на решения на база статистически и други данни. H20 може да показва трендовете в представените данни с използване на бързо и качествено прогнозируемо програмиране.
4. MLlib – Machine Learning Library
Платформата MLlib е с открит код, лесна е за използване и има висока производителност на машинното обучение. Създадена е с помощта на Apache Spark и е съвместима със съществуващите клъстъри и данни Hadoop.
MLlib се предоставя с колекция алгоритми за класифициране, регресия, клъстеризация, анализ на риска и други. Тази платформа е интересна с това, че в нея могат да се използват езиците за програмиране Python, Java, Scala и R.
5. Apache Mahout
Mahout е проект с отворен код и е предназначен за създаване на мащабируеми приложения за машинно обучени. Mahout предлага както опростено, така и разширено програмиране в работната си област; разпространява се с готови разнообразни алгоритми за Scala + Apache Spark, H20, както и за Apache Flink; включва Samaras, векторно математическо моделиране и експериментиране.
6. Open Neural Networks Library (OpenNN)
Този проект също е с отворен код, написан е на C++ и е предназначен за бързо машинно обучение. OpenNN е предназначен преди всичко за изграждане на невронни мрежи. OpenNN е най-доброто решение за опитни C++ програмисти, запознати с методите на машинното обучение. Характерен е с дълбоката си архитектура и високата производителност.
7. Oryx 2
Oryx 2 е продължение на първоначалния проект Oryx и се разработва с Apache Spark и Apache Kafka. Тази платформа е предназначена за машинно обучение в реално време.
8. OpenCyc
OpenCyc е ИИ с отворен код, който разполага с май-голямата и най-пълната база знания в света, както и с много добър енджин. Тази платформа се използва в различни области: оптимално моделиране на домейни, създаване на експертни системи, ИИ с разбиране на текста, семантичен анализ, игри с ИИ и други.
9. Apache SystemML
SystemML е изкуствен интелект за ОС Linux с отворен код, който е идеален за работи и анализ на големи обеми от данни. Неговата главна особеност е работата с подобен на R и Python синтаксис. Тази система е подходяща за математическо моделиране от най-високо ниво. SystemML вече се използва в регулирането на автомобилния и авиационния трафик, в банковото дело и други.
10. NuPIC
NuPIC е платформа с отворен код за машинно обучение, която се базира на Heirarchical Temporary Memory (HTM) или теорията на неокортекса. В NuPIC е интегрирана програмата НТМ за анализ на потоци от данни в реално време и може да предсказва неминуемите значения и да регистрира всякакви аномалии.
Основни особености на NuPIC:
Непрекъснато онлайн обучениеВременни и пространствени структуриПоточни данни в режим на реално времеПрогнозиране и моделиранеМощно разкриване на аномалииЙерархична времева памет
С нарастването на интереса и увеличаването на изследванията и постиженията в изкуствения интелект е добре да познаваме софтуерните инструменти които се използват при тези технологии, понеже те вече навлизат в нашето ежедневие - в обучението, медицината и още много други области.