Um die Modelle für Machine Learning umzusetzen gibt es mittlerweile sehr viele Möglichkeiten. Jedes System hat seine Vor- und Nachteile. Natürlich muss je nach Anwendungsfall das optimale System ermittelt werden. Allerdings ist die Aufgabe, die Jalousien abhängig von den verschiedenen Umwelteinflüssen wie Temperatur, Sonneneinstrahlung … zu steuert recht simpel.
Ich habe mir für mein Projekt drei verschiedene Systeme genauer angesehen. Diese möchte ich hier kurz vorstellen.
Microsoft Machine Learning Studio
Eine der komfortabelsten Möglichkeiten wäre das Microsoft Machine Learning Studio. Die Modelle können hier einfach über eine grafische Oberfläche erstellt und getestet werden. Viele fertige Elemente können per Drag’n’Drop ins Modell integriert werden und zusätzlich können R-, Python-, SQL-… Scripts implementiert werden. Das fertige Experiment wird zum Schluss mit einem Webservice ausgestattet. Die Daten werden dann per JSON übergeben und der Webservice liefert das vorhergesagte Ergebnis zurück. Der Nachteil ist aber, dass dieser Webservice nur mit aktiver Internet-Verbindung konsumiert werden kann.
Tensorflow
Ein weiterer Ansatz wäre Tensorflow. Tensorflow ist das Machine Learning Framework von Google. Es kann lokal installiert werden und ist OpenSource. Für die Entwicklung der Modelle kann Python verwendet werden. Es gibt fertige Pakete für die Installation z. B. Anaconda. Zusätzlich gibt es einen fertige Container, in dem Python, Tensorflow und Jupyter Notebooks läuft. Der Zugriff darauf erfolgt über einen Webbrowser. Tensorflow ist auch dafür ausgelegt, verteilt zu arbeiten oder die GPU für das Lernen der Modelle zu verwenden. Tensorflow ist sehr mächtig und wird oft mit Computer Visuellem Sehen (Computer Vision) oder mit dem Verstehen von natürlicher Sprache verwendet (Natural Language Processing oder kurz NLP). Ein weiterer Vorteil ist, dass es Plattform unabhängig ist – es gibt Pakete für Windows, Linus, MacOS …
Microsoft Machine Learning Framework .NET
Vor kurzem hat Microsoft eine Framework für Machine Learning heraus gebracht. Aktuell ist es in der Version 0.3 verfügbar und ist OpenSource. Microsoft Machine Learning Framework .NET kann in Verbindung mit .NET Core verwendet werden. Und ist somit wie Tensorflow Plattform unabhängig. Die Entwicklung kann über .NET-Sprachen wie C# oder VB gemacht werden. Als Entwicklungsumgebung kommt Visual Studio 2017 oder Visual Studio Code zum Einsatz. Durch die Verwendung von Visual Studio Code kann die Entwicklung auch auf einem anderen Betriebssystem als Windows (z. B. Linux) erfolgen – .NET Core ist ebenfalls für anderen Betriebssysteme verfügbar.
Meine Entscheidung
Microsoft Machine Learning Studio ist es nicht geworden, weil eine Internet-Verbindung bestehen muss, um den Web Service nutzen zu können.
Tensorflow habe ich auch wieder verworfen. Ich habe zwar einen Linux Server und den o.g. Container installiert und auch erste Test-Projekte damit umgesetzt, aber ich bin kein Python-Programmierer. Python ist zwar nicht so schwer, dennoch muss ich ziemlich viel nachforschen, wenn ich etwas damit umsetzen will. Tensorflow ist extrem mächtig, da ich aber kein Python-Profi und auch kein Linux-Spezialist bin, ist es das auch nicht geworden.
And the winner is … Trommelwirbel … Microsoft Machine Learning Framework .NET. Als C Programmierer habe ich zum einen den Vorteil, die Sprache bereits gut zu kennen. Zum anderen kann ich den Komfort des Machine Learning Studios nutzen (mit dem ich auch schon einiges gemacht habe), um ein erstes Modell zu erstellen. Die Einstellungen, die dann im Programm getroffen werden müssen, sind dann ziemlich ähnlich. Da es mit .NET Core verwendet werden kann, kann ich auch einen (kostenlosen) Linux Server als Rechner für meine KI verwenden.
