Spricht man mit KI-Experten und -Entwicklern über Machine Learning und Deep Learning, fangen beim Begriff TensorFlow ihre Augen zu leuchten an. Kein Wunder, schließlich erleichtert ihnen diese Open Source-Softwarebibliothek das Entwickeln, Trainieren und Implementieren von Anwendungen, die von den KI-Disziplinen Machine und Deep Learning maßgeblich profitieren.
Ein Expertenteam, das von 2011 bis 2023 für die KI-Abteilung Google Brain arbeitete, entwickelte zunächst für eigene Zwecke die KI-Bibliothek, um damit allerlei Anwendungen schneller und zielgerichteter entwickeln und trainieren zu können. Dazu gehörten Vorhersagen von Krankheitsverläufen, das Bewerten von Mediendaten, selbstlernende Roboter und vieles mehr. Im April 2023 wurden Google Brain und DeepMind zu Google DeepMind verschmolzen.
TensorFlow beherrscht Python, C++ und mehr
TensorFlow liegt in der aktuellen Version 2.17 vor und stellt eine Sammlung an Programmierwerkzeugen, Softwarebibliotheken und einer großen Community dar. Derzeit unterstützt TensorFlow zahlreiche Programmiersprachen. Dazu gehört originär Python, aber auch C++, JavaScript und Java werden primär unterstützt. Damit lassen sich benötigte TensorFlow-APIs mit geringem Aufwand in den eigenen Quellcode einbinden und zu Trainings- und Inferenzzwecken nutzen. Für den optimalen Einsatz auf der gewünschten Plattform existieren zahlreiche TensorFlow-Varianten. Dazu gehören CPU- und GPU-Linux-Builds genauso wie Windows-Editionen, die für den Einsatz auf CPU- und GPU-basierten Maschinen vorgesehen sind.
TensorFlow übernimmt einen wesentlichen Anteil der Programmierarbeit
Das Besondere an TensorFlow sind die vorgefertigten Datenmodelle und Algorithmen. Damit lässt sich eine Anwendung deutlich schneller entwickeln und realisieren als ohne die zugehörigen Bibliotheken. Das ist vor allem dem hohen Abstraktionsgrad geschuldet, der mit TensorFlow einher geht. Damit beschäftigen sich Entwickler also ausschließlich mit der allgemeinen Logik einer Anwendung, um dann das Implementieren und Umsetzen der KI-Algorithmen an TensorFlow zu übergeben. Sehr hilfreich sind zudem Tools wie TensorBoard. Mit dieser Visualisierungssuite lassen sich die zugrunde liegenden Grafen und Grafiken webbasiert untersuchen, um damit den Verlauf einer Anwendung besser verstehen zu können.
Spotify, Paypal & Co. nutzen TensorFlow
TensorFlow kommt bereits in zahlreichen Applikationen zum Einsatz. Dazu gehören Anwendungen zur Bildklassifizierung, linguistischen Datenverarbeitung, dem Erstellen von Medien und vielen mehr. Konkret steckt TensorFlow in Twitter, Spotify und Paypal. Und mit LiteRT (ehemals TensorFlow Lite) lassen sich ML-Funktionalitäten sogar auf tragbaren Geräten wie Smartphones und Tablet nutzen, die von Hause aus nicht über die erforderlichen CPU- bzw. GPU-Rechenleistung verfügen. Exemplarisch sei hier das Entsperren des iPhone mithilfe des eingebauten Fingerabdrucksensors oder per Gesichtserkennung erwähnt.
Alternativen zu TensorFlow
Zu TensorFlow existieren aktuell zahlreiche Alternativen, wenn es um das Entwickeln und Trainieren von ML-basierten Anwendungen geht. Dazu gehören unter anderem Matlab, Vertex AI, IBM Watson Studio, Azure Machine Learning, Google Cloud AutoML, Posit und mehr.
Weitere KI-Lexikon-Begriffe
„L“ wie Long Short-Term Memory (LSTM)
„N“ wie Natural Language Processing