Ett team av forskare från National University of Singapore (NUS) har satt Singapore på den globala kartan över artificiell intelligens (AI) och stordataanalys. Deras projekt med öppen källkod, kallas Apache SINGA, "utexaminerades" från Apache Incubator den 16 oktober 2019 och är nu Sydostasiens första Top-Level Project (TLP) under Apache Software Foundation, världens största mjukvarugemenskap med öppen källkod.

Att bli erkänd som en TLP är ingen liten bedrift eftersom Apache SINGA nu ansluter sig till raden av ledande open source-verktyg som Apache HTTP Server och Apache Kafka. Även om namnet kanske inte direkt ringer en klocka, Apache Kafka driver big data-lösningar på Airbnb, LinkedIn, Netflix, PayPal, Spotify och många andra företag. Apache HTTP Server är den mest populära webbservern i världen och betjänar för närvarande 29 procent av alla aktiva webbplatser på Internet.

Leds av professor Ooi Beng Chin, Apache SINGA initierades av Database System Research Group från NUS School of Computing tillsammans med Zhejiang University och NetEase 2014. Prototypen skickades till Apache Incubator i mars 2015, och den första officiella releasen gjordes i oktober 2015. Sedan dess, NUS-forskarna har fått stöd från National Research Foundation Singapore, Undervisningsministeriet, och Myndigheten för vetenskap, Teknik och forskning.

Prof Ooi sa:"Vi såg en ökande efterfrågan på djupinlärning och maskinplattformar under 2012, men det saknades effektiva distribuerade plattformar. Examen är en markering av erkännande för Apache SINGA, men det här är bara början. Vi hoppas att Apache SINGA kan påverka djupinlärning på samma sätt som Apache HTTP-servrar gjorde för webbplatsservrar."

Deep learning är en delmängd av maskininlärning som försöker utnyttja artificiella neurala nätverk för att generera meningsfull insikt från stora mängder data. Även om maskininlärning vanligtvis kräver att människor tillhandahåller strukturerad data, djupinlärning kan strukturera rådata av sig själv. Ett exempel skulle vara att identifiera bilden av en katt; maskininlärning kommer att kräva mänsklig input för att definiera att en katt har funktioner som morrhår, spetsiga öron och tassar. Deep learning kommer att analysera flera bilder av katter genom olika algoritmer för att bestämma alla funktioner själv, simulerar en konstgjord hjärna.

Dock, begränsningen med djupinlärning är att det kräver en astronomisk mängd data som i sin tur kräver mycket beräkningskraft. Ett typiskt centraliserat system skulle kräva en enda superdator för att bearbeta all denna information, vilket inte är ett alternativ för de flesta organisationer. Apache SINGAs tillvägagångssätt för distribuerade system hjälper till att övervinna behovet av en enda superdator eftersom den sprider arbetsbördan över ett stort antal vanliga datorer.

Apache SINGA driver för närvarande applikationer inom flera sektorer inklusive sjukvård, bank och finans, mjukvaruutveckling och cybersäkerhet. En sådan applikation är FoodLG, som använder bildigenkänning för att identifiera en maträtt baserat på bilden som laddats upp av slutanvändaren. Fem sjukhus i Singapore använder för närvarande olika versioner av FoodLG för att främja ett hälsosamt liv och underlätta sjukdomshantering för åkommor som diabetes, högt blodtryck och högt kolesterol.

National University Hospital (NUH) och Singapore General Hospital använder också Apache SINGA för att analysera MRI- och röntgenbilder för att förbättra identifieringen av hälsoproblem. Dessutom, NUH använder modeller utbildade på Apache SINGA för modellering av sjukdomsprogression och modellering av återintagning av patienter. Inom cybersäkerhet, SecureAge utvecklar djupinlärningsmodeller för upptäckt av skadlig kod med hjälp av Apache SINGA för att identifiera skadlig programvara mer exakt, samt att identifiera nya typer av skadlig programvara baserat på tidigare data. Lokala banker, å andra sidan, använder också Apache SINGA för att utveckla och träna modeller för riskmodellering och för att lösa efterlevnad mot penningtvätt.

Nästa steg för Apache SINGA är att förbättra sitt system så att även icke-AI-experter kan använda det och förbereda sig för 5G-åldern genom att effektivisera det så att det kan köras på avancerade enheter.