論文の概要: asanAI: In-Browser, No-Code, Offline-First Machine Learning Toolkit

• arxiv url: http://arxiv.org/abs/2501.06226v1
• Date: Tue, 07 Jan 2025 12:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 17:24:57.145263
• Title: asanAI: In-Browser, No-Code, Offline-First Machine Learning Toolkit
• Title（参考訳）: asanAI: ブラウザ内、ノーコード、オフラインファースト機械学習ツールキット
• Authors: Norman Koch, Siavash Ghiasvand,
• Abstract要約: asanAIは、あらゆるスキルレベルのユーザ向けに設計された、オフラインファーストでオープンソースの、ノーコード機械学習ツールキットである。 個人は、Webブラウザから直接MLモデルを設計、デバッグ、トレーニング、テストすることができる。 このツールキットは、スマートフォンを含む最新のWebブラウザを持つあらゆるデバイス上で動作し、ローカルな計算によってユーザのプライバシを保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine learning (ML) has become crucial in modern life, with growing interest from researchers and the public. Despite its potential, a significant entry barrier prevents widespread adoption, making it challenging for non-experts to understand and implement ML techniques. The increasing desire to leverage ML is counterbalanced by its technical complexity, creating a gap between potential and practical application. This work introduces asanAI, an offline-first, open-source, no-code machine learning toolkit designed for users of all skill levels. It allows individuals to design, debug, train, and test ML models directly in a web browser, eliminating the need for software installations and coding. The toolkit runs on any device with a modern web browser, including smartphones, and ensures user privacy through local computations while utilizing WebGL for enhanced GPU performance. Users can quickly experiment with neural networks and train custom models using various data sources, supported by intuitive visualizations of network structures and data flows. asanAI simplifies the teaching of ML concepts in educational settings and is released under an open-source MIT license, encouraging modifications. It also supports exporting models in industry-ready formats, empowering a diverse range of users to effectively learn and apply machine learning in their projects. The proposed toolkit is successfully utilized by researchers of ScaDS.AI to swiftly draft and test machine learning ideas, by trainers to effectively educate enthusiasts, and by teachers to introduce contemporary ML topics in classrooms with minimal effort and high clarity.
• Abstract（参考訳）: 機械学習(ML)は現代の生活において重要になり、研究者や一般大衆の関心が高まりつつある。 その可能性にもかかわらず、重要な参入障壁は広く採用されることを防ぎ、非専門家がML技術を理解し実装することは困難である。 MLを活用したいという願望の高まりは、その技術的な複雑さによって相反し、潜在的なアプリケーションと実践的なアプリケーションの間にギャップを生じさせる。 この作業は、すべてのスキルレベルを持つユーザ向けに設計された、オフラインファーストでオープンソースの、ノーコード機械学習ツールキットであるAsanAIを導入している。 これによって個人は、Webブラウザから直接MLモデルを設計、デバッグ、トレーニング、テストすることが可能になり、ソフトウェアインストールやコーディングの必要性がなくなる。 このツールキットはスマートフォンを含む最新のWebブラウザを持つあらゆるデバイス上で動作し、GPUパフォーマンスを向上させるためにWebGLを使用しながら、ローカルな計算を通じてユーザのプライバシを確保する。 ニューラルネットワークをすばやく実験し、さまざまなデータソースを使用してカスタムモデルをトレーニングすることが可能で、ネットワーク構造やデータフローの直感的な視覚化がサポートされている。 asanAIは、教育環境でのML概念の教えを単純化し、オープンソースMITライセンスの下でリリースされ、修正を奨励する。 また、業界対応のフォーマットでモデルをエクスポートすることをサポートし、さまざまなユーザが機械学習を効果的に学習し、プロジェクトに適用できるようにします。 提案手法は,ScaDS.AIの研究者らによって,機械学習のアイデアを迅速に起草し,テストするために,学習者が効果的に愛好者を教育するために,そして教師が,最小限の努力と高い明快さで,現代のMLトピックの導入に成功している。

関連論文リスト

• On-Device Language Models: A Comprehensive Review [26.759861320845467]
  資源制約のあるデバイスに計算コストの高い大規模言語モデルをデプロイする際の課題について検討する。 論文は、デバイス上での言語モデル、その効率的なアーキテクチャ、および最先端の圧縮技術について考察する。 主要モバイルメーカーによるオンデバイス言語モデルのケーススタディは、実世界の応用と潜在的な利益を実証している。
  論文  参考訳（メタデータ） (2024-08-26T03:33:36Z)
• Model Compression in Practice: Lessons Learned from Practitioners Creating On-device Machine Learning Experiences [19.174587549247985]
  私たちはAppleの30のエキスパートに、効率的なモデルの製造を専門にインタビューした。 我々の発見は、先行研究から欠落した現実的な考察を提供する。 この作業の難易度を高めるため、ツールの設計勧告を精査する。
  論文  参考訳（メタデータ） (2023-10-06T23:11:26Z)
• A Survey of Machine Unlearning [56.017968863854186]
  最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。 MLモデルは古いデータをよく記憶します。 機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
  論文  参考訳（メタデータ） (2022-09-06T08:51:53Z)
• Tiny Robot Learning: Challenges and Directions for Machine Learning in Resource-Constrained Robots [57.27442333662654]
  機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。 ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。 小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。 本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
  論文  参考訳（メタデータ） (2022-05-11T19:36:15Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)
• Widening Access to Applied Machine Learning with TinyML [1.1678513163359947]
  我々は,Tiny Machine Learning (TinyML)上で,大規模なオープンオンラインコース (MOOC) を通じて応用機械学習 (ML) へのアクセスを増やすための教育的アプローチについて述べる。 この目的のために、学界(ハーバード大学)と産業(Google)の協力により、TinyMLを使ってソリューションを開発するためのアプリケーション指向の指導を提供する4つのMOOCが作成された。 このシリーズは、edX MOOCプラットフォームで公開されており、基本的なプログラミング以上の前提条件がなく、世界中のさまざまなバックグラウンドから学習者向けに設計されている。
  論文  参考訳（メタデータ） (2021-06-07T23:31:47Z)
• EXPATS: A Toolkit for Explainable Automated Text Scoring [2.299617836036273]
  ユーザが様々なATSモデルを迅速に開発、実験できるオープンソースフレームワークであるEXPATSについて紹介する。 また、このツールキットはLanguage Interpretability Tool(LIT)とシームレスに統合できるため、モデルとその予測を解釈および視覚化できます。
  論文  参考訳（メタデータ） (2021-04-07T19:29:06Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• The PHOTON Wizard -- Towards Educational Machine Learning Code Generators [3.140265238474237]
  我々は,プログラミングスキルを応用科学の対象グループに伝達するために,グラフィカルユーザインタフェースのアクセシビリティと受容性に基づく,新しい教育的アプローチを提唱する。 本稿では,概念実証,オープンソース Web アプリケーション PHOTON Wizard について概説し,GUI インタラクションを Python 機械学習フレームワーク PHOTON の有効なソースコードに動的に変換する。
  論文  参考訳（メタデータ） (2020-02-13T10:42:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。