أباتشي سينغا

📅 آخر تحديث: ٣ أغسطس ٢٠٢٦
✍️ نُشر في: ٣ أغسطس ٢٠٢٦
📷 يحتوي على 1 صور
الموسوعة الحرة

أباتشي سينغا هو مشروع رئيسي تابع لمؤسسة أباتشي لتطوير مكتبة مفتوحة المصدر للتعلم الآلي . يوفر بنية مرنة للتدريب الموزع القابل للتوسع، وقابل للتوسيع ليعمل على نطاق واسع من الأجهزة، ويركز على تطبيقات الرعاية الصحية.

فازت Apache SINGA بجائزة SIGMOD Systems لعام 2024 [ 1 ] لتطوير منصة التعلم العميق الموزعة والفعالة والقابلة للتوسع وسهلة الاستخدام لتحليلات البيانات واسعة النطاق .

تاريخ

بدأ مشروع SINGA من قِبل مجموعة أنظمة قواعد البيانات في جامعة سنغافورة الوطنية ومجموعة قواعد البيانات في جامعة تشجيانغ عام 2014، بهدف دعم التحليلات المعقدة على نطاق واسع، وجعل أنظمة قواعد البيانات أكثر ذكاءً واستقلالية . [ 2 ] ركز المشروع على التعلم العميق الموزع من خلال تقسيم النموذج والبيانات على عُقد في مجموعة حاسوبية، وموازاة عملية التدريب. [ 3 ] [ 4 ] قُبل النموذج الأولي من قِبل حاضنة أباتشي في مارس 2015، وتخرج كمشروع رئيسي في أكتوبر 2019. يوضح الجدول أدناه معلومات حول أنواع الإصدارات المختلفة، مثل: أحدث إصدار، وأحدث إصدار تجريبي، والإصدارات القديمة التي لا تزال قيد الصيانة، والإصدارات القديمة.

إصدارتاريخ الإصدار الأصليأحدث إصدارتاريخ الافراج عنه
أحدث إصدار: 5.1.02026-04-025.1.02026-04-02
الإصدار المدعوم: 5.0.02025-04-145.0.02025-04-14
الإصدار المدعوم: 4.3.02024-09-074.3.02024-09-07
الإصدار المدعوم: 4.2.02024-03-154.2.02024-03-15
الإصدار المدعوم: 4.1.02023-11-054.1.02023-11-05
الإصدار المدعوم: 4.0.02023-04-074.0.02023-04-07
الإصدار المدعوم: 3.3.02022-06-073.3.02022-06-07
الإصدار المدعوم: 3.2.02021-08-153.2.02021-08-15
الإصدار المدعوم: 3.1.030-10-20203.1.030-10-2020
الإصدار المدعوم: 3.0.02020-04-203.0.02020-04-20
غير مدعوم: 2.0.02019-04-202.0.02019-04-20
غير مدعوم: 1.2.02018-06-061.2.02018-06-06
غير مدعوم: 1.1.02017-02-121.1.02017-02-12
غير مدعوم: 1.0.02016-09-081.0.02016-09-08
غير مدعوم: 0.3.02016-04-200.1.02016-04-20
غير مدعوم: 0.2.02016-01-140.2.02016-01-14
غير مدعوم: 0.1.02015-10-080.1.02015-10-08
أسطورة:
غير مدعوم
مدعوم
أحدث إصدار
نسخة معاينة
الإصدار المستقبلي

مجموعة البرامج

تتضمن حزمة برمجيات SINGA ثلاثة مكونات رئيسية، هي: النواة، والإدخال/الإخراج، والنموذج. يوضح الشكل التالي هذه المكونات مع المكونات المادية. يوفر مكون النواة إدارة الذاكرة وعمليات الموترات ؛ بينما يحتوي مكون الإدخال/الإخراج على فئات لقراءة (وكتابة) البيانات من (وإلى) القرص والشبكة؛ أما مكون النموذج فيوفر هياكل البيانات والخوارزميات لنماذج التعلم الآلي، مثل طبقات نماذج الشبكات العصبية ، ومُحسِّنات/مُهيئات/مقاييس/خسائر نماذج التعلم الآلي العامة.

حزمة برمجيات أباتشي سينجا
حزمة برمجيات أباتشي سينجا

سينغا-أوتو

SINGA-Auto (المعروف أيضًا باسم Rafiki [ 5 ] في VLDB2018) هو نظام فرعي من Apache SINGA يوفر خدمة تدريب نماذج التعلم الآلي واستنتاجها. يُغني SINGA-Auto المستخدمين عن عناء بناء نماذج التعلم الآلي، وضبط المعلمات الفائقة ، وتحسين دقة وسرعة التنبؤ. ببساطة، يمكن للمستخدمين تحميل مجموعات بياناتهم، وتكوين الخدمة لإجراء التدريب، ثم نشر النموذج للاستنتاج. وباعتباره نظام خدمة سحابية ، يتولى SINGA-Auto إدارة موارد الأجهزة، واستعادة البيانات في حالة الأعطال، وغيرها. ولتسهيل الاستخدام، يوفر SINGA-Auto مكتبة نماذج، وهي عبارة عن مجموعة من نماذج التعلم الآلي المدمجة للمهام الشائعة مثل تحليل البيانات المنظمة (مثل بيانات السجلات الطبية الإلكترونية)، والتعرف على الصور، ومعالجة النصوص.

في خدمة التدريب، يُقترح إطار عمل عام لضبط المعلمات الفائقة الموزعة، كما تُصمم آلية ضبط تعاونية خصيصًا لنماذج التعلم العميق. أما في خدمة الاستدلال، فتُقترح خوارزمية جدولة قائمة على التعلم المعزز لتحسين الدقة الإجمالية وتقليل زمن الاستجابة، وهي قادرة على التكيف مع تغيرات معدلات الطلبات.

سينغا-إيزي

SINGA-Easy [ 6 ] (مؤتمر ACM Multimedia 2021) هو إطار عمل سهل الاستخدام للتعلم العميق، تم تطويره كمكون من مكونات Apache SINGA لتسهيل اعتماد خوارزميات التعلم العميق وخدمات الاستدلال من قبل مستخدمي التطبيقات المتخصصة (مثل الوسائط المتعددة، وتحليل الصور الطبية). يوفر SINGA-Easy ضبطًا موزعًا للمعلمات الفائقة في مرحلة التدريب، وتحكمًا ديناميكيًا في التكلفة الحسابية في مرحلة الاستدلال، وتفاعلات مستخدم بديهية مع محتوى الوسائط المتعددة مدعومة بشرح النموذج. ولتحسين الدقة، يدعم SINGA-Easy أساليب التنظيم لتنظيم الصور والبيانات المهيكلة (مؤتمر ACM SIGMOD 2023). ولضمان قبول المستخدمين لنتائج التدريب، يوفر SINGA-Easy خيارًا لتقييم أداء النموذج من منظور شرح النموذج، بالاعتماد على LIME [ 7 ] وGrad-CAM [ 8 ] .

MLCask

MLCask [ 9 ] (IEEE ICDE 2021) هو نظام فرعي لإدارة مسارات التعلم الآلي، يُدير هذه المسارات بدءًا من تنظيف البيانات وصولًا إلى تحليلها، لتسهيل صيانة مسارات التعلم الآلي المتطورة وإصداراتها، وذلك لأغراض التحليل التعاوني. يُسهم هذا النظام في خفض التكاليف وتسهيل اعتماده. يدعم MLCask إدارة دورة حياة التعلم الآلي الشاملة، على غرار نظام Git. من خلال الاستفادة من سجل إصدارات مكونات المسار ومساحة العمل، يستطيع MLCask تخطي خطوات المعالجة المسبقة غير المتغيرة، ما يُساعد في التغلب على تحديات إعادة التدريب المتكررة. كما تُسهّل دلالات التحكم غير الخطي في الإصدارات وعملية الدمج التطوير التعاوني الفعال للمسار.

اختيار النموذج داخل قاعدة البيانات

ابتداءً من الإصدار 4.1.0، يوفر Apache SINGA دعمًا لاختيار النماذج والاستدلال داخل قاعدة البيانات في PostgreSQL. يُطبّق النظام خوارزمية اختيار نماذج ثنائية المراحل فعّالة من حيث الموارد، تجمع بين تقنيات اختيار النماذج التي لا تتطلب تدريبًا وتلك التي تتطلب تدريبًا. تُدمج هذه الخوارزمية بسلاسة في PostgreSQL عبر إجراءات مخزنة، مع تحسينات في زمن الاستجابة واستهلاك الذاكرة. يُمكّن تضمين ميزة اختيار النماذج داخل قاعدة البيانات المستخدمين من الحصول على نماذج عالية الأداء ضمن متطلبات زمن الاستجابة المحددة.

التطبيقات

يُستخدم برنامج Apache SINGA [ 10 ] في مؤسسات مثل NetEase [ 11 ] ، و Carnegie Technologies، وCBRE ، وCitigroup ، ومستشفى JurongHealth ، وجامعة سنغافورة الوطنية، ومستشفى الجامعة الوطنية ، وNoblis ، وShentilium Technologies، ومستشفى سنغافورة العام ، ومستشفى Tan Tock Seng ، وYZBigData، وغيرها. ويُستخدم Apache SINGA في تطبيقات متنوعة في مجالات الخدمات المصرفية، والتعليم، والتمويل، والرعاية الصحية، والعقارات، وتطوير البرمجيات، وغيرها.

أباتشي سينغا والخير الاجتماعي

تعاون مستشفى نغ تينغ فونغ العام [ 12 ] مع فريق أباتشي سينغا لتطوير تطبيق للأشخاص الذين تم تشخيصهم بمرحلة ما قبل السكري، وهي حالة تكون فيها مستويات الجلوكوز في الدم أعلى من المعدل الطبيعي، ولكنها ليست مرتفعة بما يكفي لتصنيفها على أنها مرض السكري.

يستخدم تطبيق "سجل الطعام الصحي في جورونغ" (JHFoodLg) برنامج Apache SINGA لمطابقة صور الطعام مع قاعدة بيانات تضم أطباقًا محلية، مثل ناسي بادانغ ، ولاكسا ، وأرز شار سيو . كما يستفيد التطبيق من بيانات التغذية الصادرة عن مجلس تعزيز الصحة، وحرم جورونغ الصحي، وقاعدة البيانات الأسترالية للأغذية والمغذيات. بعد تنظيف البيانات بشكل شامل (مثل توحيد التنسيق، وإزالة التكرارات ، وتصنيف جودة الطعام، والمعايرة البشرية)، تحتوي قاعدة البيانات على 209,861 صورة، تغطي 13 مجموعة غذائية و233 فئة غذائية.

يُمكّن التطبيق مستخدمي برنامج التدخل في نمط الحياة (Liven) التابع للمستشفى من تحديد أهداف لإنقاص الوزن وممارسة الرياضة. وقد أظهرت دراسة استمرت ستة أشهر أن جميع المرضى العشرين الذين استخدموا التطبيق تقريبًا فقدوا ما بين 4 و5 بالمئة من وزنهم الأولي.

انظر أيضاً

مراجع

  1. ↑ "جائزة أنظمة SIGMOD" .
  2. ↑ وي، وانغ؛ ميهوي، تشانغ؛ غانغ، تشن؛ إتش في، جاغاديش؛ بنغ تشين، أوي؛ كيان-لي، تان (يونيو 2016). "قواعد البيانات تلتقي بالتعلم العميق: التحديات والفرص". سجل SIGMOD . 45 (2): 17-22 . arXiv : 1906.08986 . doi : 10.1145/3003665.3003669 . S2CID 6526411 . 
  3. ^ أوي، بينج تشين؛ تان، كيان لي؛ شنغ وانغ. وانغ، وي. كاي، تشينغشاو؛ تشين، جانج؛ جاو، جينيانغ؛ لو، تشاوجينج؛ تونغ، أنتوني خ. وانغ، يوان؛ شيه، تشونغل. تشانغ، ميهوي. تشنغ ، كايبينغ (2015). "سينغا: منصة التعلم العميق الموزعة" (PDF) . وقائع المؤتمر الدولي الثالث والعشرون لـ ACM حول الوسائط المتعددة . مم '15. ص 685 – 688. دوى : 10.1145 / 2733373.2807410 . رقم ISBN  978-1-4503-3459-4S2CID 1840240. تم الاسترجاع في 8 سبتمبر 2016 . 
  4. ↑ وي، وانغ؛ تشين، غانغ؛ آنه دينه، تيان توان؛ غاو، جينيانغ؛ أوي، بنغ تشين؛ تان، كيان لي؛ شنغ، وانغ (2015). "سينغا: وضع التعلم العميق بين أيدي مستخدمي الوسائط المتعددة" (ملف PDF) . وقائع المؤتمر الدولي الثالث والعشرين لجمعية ACM حول الوسائط المتعددة . MM '15. الصفحات 25-34 . doi : 10.1145/2733373.2806232 . ISBN  978-1-4503-3459-4. S2CID 7169465 . تم الاسترجاع في 8 سبتمبر 2016 . 
  5. ↑ وانغ، وي؛ غاو، جينيانغ؛ تشانغ، ميهوي؛ شنغ، وانغ؛ تشن، غانغ؛ خيم نغ، تيك؛ أوي، بنغ تشين؛ شاو، جي؛ رياض، معاذ (2018). "رفيقي: التعلم الآلي كنظام خدمة تحليلية" (ملف PDF) . وقائع مؤسسة VLDB . 12 (2): 128-140 . arXiv : 1804.06087 . Bibcode : 2018arXiv180406087W . doi : 10.14778/3282495.3282499 . S2CID 4898729. تاريخ الاسترجاع: 9 يناير 2019 . 
  6. ↑ شينغ، نايلي؛ يونغ، ساي هو؛ كاي، تشنغهاو؛ نغ، تيك خيم؛ وانغ، وي؛ يانغ، كايوان؛ يانغ، نان؛ تشانغ، ميهوي؛ تشن، غانغ؛ أوي، بنغ تشين (2021). "SINGA-Easy: إطار عمل سهل الاستخدام لتحليل الوسائط المتعددة" (ملف PDF) . وقائع المؤتمر الدولي التاسع والعشرين لجمعية ACM حول الوسائط المتعددة . الصفحات 1293-1302 . doi : 10.1145/3474085.3475176 . ISBN  978-1-4503-8651-7تم الاطلاع عليه بتاريخ 17 أكتوبر 2021 .
  7. ^ ريبيرو، ماركو توليو. سينغ، سمير. جوسترين ، كارلوس (2017). ""لماذا أثق بك؟": شرح تنبؤات أي مصنف (ملف PDF) . وقائع المؤتمر الدولي الثاني والعشرين لجمعية ACM SIGKDD حول اكتشاف المعرفة واستخراج البيانات . KDD '16. الصفحات 97-101 . arXiv : 1602.04938 . doi : 10.1145/2939672.2939778 . ISBN  978-1-4503-4232-2تم الاطلاع عليه بتاريخ 1 أغسطس 2016 .
  8. ↑ سيلفاراجو، رامبراساث ر.؛ كوجسويل، مايكل؛ داس، أبهيشيك؛ فيدانتام، راماكريشنا؛ باريك، ديفي؛ باترا، دروف (2017). "Grad-CAM: تفسيرات بصرية من الشبكات العميقة عبر تحديد الموقع القائم على التدرج" (ملف PDF) . المؤتمر الدولي IEEE لرؤية الحاسوب (ICCV) لعام 2017. الصفحات 618-626 . arXiv : 1610.02391 . doi : 10.1109/ICCV.2017.74 . ISBN  978-1-5386-1032-9.
  9. ↑ لو، تشاوجينغ؛ يونغ، ساي هو؛ تشانغ، ميهوي؛ تشنغ، كايبينغ؛ تشو، لي؛ تشن، غانغ؛ فان، فايي؛ لين، تشيان؛ نغيام، كي يوان؛ أوي، بنغ تشين (2021). "MLCask: إدارة فعّالة لتطور المكونات في مسارات تحليل البيانات التعاونية". المؤتمر الدولي السابع والثلاثون لهندسة البيانات (ICDE) لعام 2021، IEEE . الصفحات 1655-1666 . arXiv : 2010.10246 . doi : 10.1109/ICDE51399.2021.00146 . ISBN  978-1-7281-9184-3. S2CID 224802796 . 
  10. ↑ «مؤسسة برمجيات أباتشي تعلن عن أباتشي سينغا كمشروع رئيسي» . news.apache.org . 4 نوفمبر 2019. تم الاطلاع عليه بتاريخ 4 نوفمبر 2019 .
  11. ^网易 (2 يونيو 2017). "网易携手Apache SINGA角逐人工智能新战场_网易科技" . tech.163.com . تم الاسترجاع 2017/06/03 .
  12. ↑ «تطبيق جديد يسمح للأشخاص المعرضين للإصابة بداء السكري باستخدام صور وجباتهم للتحقق من صحتها» . صحيفة ستريتس تايمز . ٢٤ يناير ٢٠١٩. تاريخ الاطلاع: ٦ أبريل ٢٠١٩ .