Microsoft maakt tool voor debuggen en visualiseren AI-modellen beschikbaar

Microsoft heeft een nieuwe tool beschikbaar gemaakt in de open source-gemeenschap. Het gaat om TensorWatch, een intern ontwikkelde tool om kunstmatige intelligentie (AI) projecten minder complex te maken. De tool richt zich specifiek op het debuggen van AI-modellen. 

Het zoeken naar en oplossen van fouten in code kost veel tijd, ongeacht aan welk software-project er gewerkt wordt. Als het om AI-ontwikkeling gaat is het vaak nog tijdrovender, omdat machine learning-modellen erg ingewikkeld zijn. Daardoor zijn er ook veel meer manieren om ze kapot te maken dan bij een traditioneel programma.

TensorWatch heeft als doel om het eenvoudiger te maken om fouten te vinden, schrijft Silicon Angle. Dit doet het door ontwikkelaars in staat te stellen om hun modellen te visualiseren als interactieve grafieken. De tool genereert die grafieken door de data gebruiken die een AI produceert als het getest wordt. Iedere bron van informatie wordt volgens Microsoft als een “stream” weergegeven. In zo’n stream kan de output van een model staan, maar ook statistieken over hoeveel verwerkingskracht het gebruikt en TensorWatch-grafieken.

Deze aanpak heeft als voordeel dat het eenvoudiger is om met de data te werken. Een ontwikkelaar kan dezelfde stream meerdere keren gebruiken in verschillende visualisaties, maar ook een grafiek maken die verschillende informatie-streams naast elkaar toont. TensorWatch laat ontwikkelaars alles maken van simpele staafdiagrammen tot complexe, driedimensionale kaarten die potentiële fouten virtualiseren in een interactieve, virtuele ruimte.

Jupyter Notebook

Gebruikers kunnen op onderdelen inzoomen door queries te schrijven waarmee de grafiek te manipuleren is. Die functie wordt aangestuurd door Jupyter Notebook, een populaire open source-applicatie voor experimenteel programmeren die Microsoft in TensorWatch heeft ingebouwd.

Ontwikkelaars kunnen met TensorWatch niet alleen zoeken naar fouten op een virtuele manier, maar de tool moet het ook hardware-efficiënter maken om de fouten te zoeken. Dit is mogelijk dankzij een functie die onderzoekers van Microsoft “lazy logging mode” noemen. TensorWatch kan de verwerkings-overhead verlagen door de hoeveelheid data die ingevoerd moet worden om probleempatronen te vinden verminderen. De tool kan dan alleen de kernvariabelen observeren die tonen hoe goed een model presteert bij het testen.

De code voor TensorWatch staat op GitHub.