Golang w rozwoju aplikacji AI. Najlepsze praktyki i studia przypadków 

Jak dobrym językiem dla AI jest Golang? Jak perspektywiczne może być połączenie Golanga z uczeniem maszynowym? Z tego artykułu dowiesz się, w jakich przypadkach warto korzystać z Golanga do tworzenia aplikacji opartych na sztucznej inteligencji. Przeanalizujemy również konkretne przypadki rozwoju oprogramowania AI wspieranego przez ten język programowania. 

Trzy możliwe sposoby wykorzystania Golanga pod kątem AI 

Omawiając włączenie Golanga do zestawu technologicznego projektów AI, skupimy się na dwóch głównych kwestiach:

• Po pierwsze, jakie są mocne strony Golanga i w jaki sposób ułatwiają one realizację takich projektów?  
• Po drugie, jaki zestaw narzędzi do tworzenia rozwiązań AI ma ten język programowania? 

Istnieje mnóstwo stereotypów i uprzedzeń dotyczących kwestii wystarczalności liczby bibliotek Go. Wynika to z młodego wieku tego języka. Golang pojawił się stosunkowo niedawno i dlatego miał mniej czasu na rozwój narzędzi niezbędnych dla twórców oprogramowania. 

Jednakże ważne jest to, aby podkreślić perspektywę rozwoju różnych gotowych rozwiązań dla tego języka. Naszym zdaniem Golang ma wszystko, aby szybko rozszerzyć spektrum frameworków, bibliotek, pakietów i innych elementów infrastruktury języka. Google, który opracował ten język programowania, nadal go wspiera. Pozytywny wpływ ma również rosnąca popularność technologii. Golang jest jednym z piętnastu najpopularniejszych języków programowania. Cieszy się również coraz większą uwagą twórców oprogramowania. A co za tym idzie, wokół niego utworzyła się aktywna społeczność specjalistów. Jest to również oznaka dynamicznego tempa powstawania niezbędnych narzędzi w najważniejszych obszarach rozwoju oprogramowania. 

Przygotowanie danych jest jednym z podstawowych aspektów AI. Aby uzyskać dokładne prognozy, specjaliści wstępnie przetwarzają wykorzystywane dane, ze szczególnym uwzględnieniem wykrywania i usuwania danych, które są nieistotne. Kluczowe jest również przekonwertowanie danych do formatu odpowiedniego do szkolenia modelowego.  

Golang doskonale nadaje się do wstępnego przetwarzania i manipulowania dużymi ilościami danych w aplikacjach do uczenia maszynowego. Przetwarzanie i analizowanie danych w Golangu jest możliwe przy pomocy pakietów Go, takich jak DataFrame. 

Przyjrzyjmy się teraz trzem możliwym sposobom wykorzystania Golang w AI. 

PROGRAMOWANIE NEUROLINGWISTYCZNE (NLP) 

Aplikacje NLP, takie jak chatboty lub translatory językowe, mogą być również tworzone przy użyciu Golanga. Go-nlp to popularny pakiet do zadań NLP, takich jak tokenizacja, stemming i tagowanie części mowy. Funkcja współbieżności Golanga jest właśnie tym, czego potrzeba przy tworzeniu aplikacji NLP. 

WIZJA KOMPUTEROWA 

Go jest stosowany w tworzeniu aplikacji komputerowych do takich zadań, jak wykrywanie obiektów i rozpoznawanie obrazów. Pakiet GoCV to szeroko rozpowszechniona biblioteka computer vision w języku Go, która wykorzystuje OpenCV. 

Wysoka wydajność języka Go jest bardzo istotna przy tworzeniu aplikacji do computer vision, w którym ten parametr jest krytyczny. 

GOLANG A UCZENIE MASZYNOWE: PUNKTY ODNIESIENIA 

Golang jest coraz popularniejszym językiem służącym do tworzenia algorytmów lub modeli uczenia maszynowego. Może być używany do trenowania i uruchamiania algorytmów uczenia maszynowego, takich jak sieci neuronowe i drzewa decyzyjne.  

Go może być również wykorzystywany do tworzenia aplikacji uczących się przez wzmacnianie, takich jak „game-playing agents”. Pakiet goNEAT jest implementacją algorytmu NEAT używanego przy ewolucji sztucznych sieci neuronowych do uczenia przez wzmacnianie. 

Golang imponująco pręży swoje ML-owe muskuły: 

• Kubeflow to platforma uczenia maszynowego typu open source dla Kubernetes, który wykorzystuje Go do wdrażania i zarządzania modelami uczenia maszynowego. Obecnie Kubeflow przekształcił się w platformę nie tylko do uczenia maszynowego, ale także do MLOps (wdrażania i utrzymywania modeli ML w produkcji). Kubeflow posiada moduły oprogramowania dla każdego z etapów typowego cyklu życia uczenia maszynowego: Kubeflow Notebooks do tworzenia modeli, Kubeflow Pipelines i Kubeflow Training Operator do szkolenia modeli, KServe do utrzymania modeli oraz Katib do zautomatyzowanego uczenia maszynowego. Każdy z wymaganych komponentów Kubeflow można wdrożyć osobno. 
• OpenAI Gym to środowisko do opracowywania i porównywania algorytmów uczenia przez wzmacnianie. Pakiety Go, takie jak gym-http-api, są używane do interakcji z OpenAI Gym API. 
• Pakiet GoLearn to wyspecjalizowana biblioteka uczenia maszynowego dla języka Go, oferująca szeroki zakres algorytmów do eksploracji danych i klasyfikacji.  
• GoML to biblioteka algorytmów uczenia maszynowego, której programiści mogą używać do tworzenia produktów łączących uczenie maszynowe z językiem Go. 

Dodatkowo prostota i wydajność Golanga sprawiają, że jest on popularnym wyborem do implementacji algorytmów deep learningu (głębokiego uczenia). Istnieje wiele udanych przykładów deep learningu z wykorzystaniem Golang. Przykładowo, TensorFlow — popularny framework do głębokiego uczenia — oferuje wiązanie danych Golanga na potrzeby swojej biblioteki. Z kolei Gorgonia znacznie rozszerza możliwości deep learningu za pomocą języka Go. Ta biblioteka zawiera wszystko, co jest potrzebne do tworzenia i trenowania modeli uczenia maszynowego (np. uczenia głębokiego). 

Istnieją powody do tego, by sądzić, że Golang może odegrać kluczową rolę w rozwoju aplikacji ML w nadchodzących latach ze względu na jego ciągły rozwój oraz stały postęp w tej poddziedzinie sztucznej inteligencji. 

7 głównych funkcji języka Go przyjaznych dla AI  

Co czyni wybór tego języka tak istotnym dla AI w procesie tworzenia aplikacji? Sztuczna inteligencja jest zasilana danymi. Co za tym idzie, produkty AI wymagają technologii zdolnych do odpowiednio szybkiego przetwarzania dużych ilości danych. Właśnie to jest cechą charakterystyczną oprogramowania Golang AI. W języku Go można zbudować infrastrukturę, w której moduł AI działa najlepiej jak to możliwe. Oto punkty kontrolne Golanga dla funkcjonalności aplikacji opartej na sztucznej inteligencji: 

Wysoka współbieżność  

Język ten został zaprojektowany do obsługi dużej liczby współbieżnych żądań i procesów, i świetnie sobie z tym radzi. Wysoka współbieżność opiera się na określonych „goroutines” i kanałach, a także umożliwia przetwarzanie dużych ilości danych bez opóźnień. Taka funkcja zdecydowanie sprawia, że Golang dla AI jest wygodny. 

Wysoka wydajność 

Golang jest językiem kompilowanym, co oznacza, że kod napisany w nim jest kompilowany bezpośrednio do kodu maszynowego, który może być przetwarzany szybciej niż języki interpretowane. Taka cecha sprawia, że Golang dobrze nadaje się do tworzenia wysokowydajnych aplikacji, które mogą obsługiwać duże ilości danych. 

Golang może wykonywać złożone obliczenia 20-30 razy szybciej niż wiele innych języków programowania. W związku z tym technologia ta jest istotna dla intensywnych obliczeniowo modeli sztucznej inteligencji, a w szczególności uczenia maszynowego. 

Przydatność do tworzenia aplikacji AI w czasie rzeczywistym 

Niskopoziomowe możliwości sieciowe Golanga sprawiają, że dobrze nadaje się on do tworzenia aplikacji internetowych działających w czasie rzeczywistym, które wymagają niskich opóźnień. Niektóre „killer features” oparte na AI mają sens tylko wtedy, gdy działają w czasie rzeczywistym. Na przykład rozpoznawanie obrazu i mowy nie powinno odbywać się ze znacznym opóźnieniem. Współbieżność i wysoka wydajność sprawiają, że Golang jest jedną z tych technologii, które są odpowiednie do tworzenia takich aplikacji. 

Szeroka gama gotowych rozwiązań ułatwiających tworzenie oprogramowania opartego na AI 

W tym przypadku nie chodzi tylko i wyłącznie o biblioteki algorytmów do uczenia maszynowego w języku Go, ponieważ zostaną one omówione szczegółowo później. Standardowe i opcjonalne biblioteki języka Go zapewniają wiele przydatnych materiałów dla programistów na wszystkich etapach operowania danymi. 

Dane wymagane dla modeli AI pochodzą z różnych źródeł i oczywiście są w różnych formatach. Kwestie ujednolicenia i przygotowania danych do wygodnego i szybkiego przetwarzania są zawsze rozwiązywane przez zespoły projektowe. Dlatego warto znaleźć pakiety do pracy z formatami danych, takimi jak CSV, JSON i XML, nawet w standardowej bibliotece Go. Ułatwia to gromadzenie danych z różnych źródeł i ich późniejsze przetwarzanie. 

Czasami  istnieje potrzeba pracy z niepewnymi lub niedokładnymi danymi. Biblioteka Fuego obsługuje logikę rozmytą w Go, co z kolei pomaga w pracy z takimi danymi. 

Często też aplikacje wymagają wdrożenia modeli AI na różnych urządzeniach. W takich sytuacjach odpowiednia będzie biblioteka Gobot. Jej materiały mogą być wykorzystywane w rozwiązaniach dla IoT oraz robotyki. 

Kompatybilność międzyplatformowa  

Łącząc AI z językiem Go w stacku technologicznym danej aplikacji, można tworzyć na potrzeby dowolnego systemu operacyjnego lub platformy. Nie potrzeba dodatkowych tłumaczy ani narzędzi. Można szybko skompilować i uruchomić swoją aplikację Golang AI. 

Pełny cykl pracy z danymi  

Golang należy do technologii odpowiednich do pracy z dużymi zbiorami danych. Jego współbieżność znacznie w tym pomaga. Umożliwia to na przykład streaming danych. W związku z tym otrzymujesz możliwość wizualizacji informacji w czasie rzeczywistym, co zdecydowanie usprawnia działanie aplikacji AI Golang. Jeśli potrzebujesz infrastruktury chmurowej do hostowania danych, Go również świetnie się do tego nadaje. 

Efektywne wykorzystanie zasobów  

Przede wszystkim mowa tutaj o wydajnym zarządzaniu pamięcią. Wbudowaną funkcją języka Go jest garbage collector do zarządzania alokacją i dealokacją pamięci. Zautomatyzowane zarządzanie pamięcią ma kluczowe znaczenie dla aplikacji AI intensywnie wykorzystujących dane. Nawiasem mówiąc, unikalne podprogramy zapewniające równoległość zajmują zaskakująco mało pamięci, zaledwie kilka KB każdy. Niezawodność oprogramowania systemowego również wynika z optymalizacji obciążenia na serwerach, ponieważ Golang zużywa znacznie mniej pamięci niż inne języki programowania. 

Obecnie Golang jest popularnym językiem do tworzenia aplikacji AI ze względu na jego wydajność, funkcje współbieżności i łatwą do zrozumienia składnię. Oto kilka sposobów wykorzystania Go podczas tworzenia aplikacji AI. 

Golang dla AI: Przydatne wskazówki 

W tej części artykułu podzielimy się naszym własnym doświadczeniem w pracy nad łączeniem Golanga z AI. Mając w swoich szeregach specjalistów zarówno od AI, jak i Go, nasze zespoły projektowe starają się maksymalnie wykorzystać te technologie, osiągając efekt synergii. Prześledźmy zalety Golanga w konkretnych przypadkach takich rozwiązań. 

Prawdopodobnie należy zacząć od utworzenia stosu technologicznego projektów rozwoju oprogramowania opartych na sztucznej inteligencji. Na przykład, jak pokazaliśmy powyżej, uczenie maszynowe przy wykorzystaniu języka Go jest dobrym wyborem, ale to samo można powiedzieć o niektórych innych językach i frameworkach. Co więc przemawia za tworzeniem rozwiązań wykorzystujących uczenie maszynowe przy pomocy Golanga? 

Dziś, gdy myślimy o wykorzystaniu jakiegokolwiek języka programowania do AI, zwłaszcza do ML, nie sposób uciec od porównań z Pythonem. Przejdźmy teraz do tematu porównania możliwości Pythona i Golanga w zakresie AI. 

GOLANG KONTRA PYTHON  

Po pierwsze, oczywistym jest fakt, że Python, biorąc pod uwagę jego dłuższe istnienie, ma więcej gotowych rozwiązań dla ML i innych poddziedzin AI. Takie fragmenty oprogramowania są gromadzone w popularnych i wygodnych bibliotekach. Nie można również pominąć faktu, że wśród dużej społeczności programistów Pythona, wielu specjalizuje się w rozwiązaniach AI. W ostatnich latach sytuacja wyglądała tak, że wiele projektów, na przykład dotyczących ML, koncentrowało się na Pythonie, można powiedzieć, domyślnie. 

Jednocześnie warto zauważyć, że liczba gotowych rozwiązań Golanga dla AI szybko rośnie. Różnica w ilości i jakości bibliotek między Go i Pythonem zmniejsza się. Powyżej pokazaliśmy to już na przykładzie zestawu narzędzi Golang i bibliotek do uczenia maszynowego. Potencjał języka Go dla rozwoju opartego na sztucznej inteligencji rośnie w tych samych kierunkach, co Python. 

Wspomniana Gorgonia zwiększa swoją zawartość ML, co powoduje, że staje się porównywalną do takich bibliotek Pythona jak Theano, Keras i PyTorch. To samo dzieje się w innych poddziedzinach sztucznej inteligencji. Funkcjonalność oferowana przez Gonum (Go Numerical) do obliczeń i algorytmów jest podobna do NumPy. Podobnie, możliwości wizualizacji danych Gonum/plot zbliżają się już do tych oferowanych przez Seaborn i Matplotlib. W związku z tym można przewidzieć, że po rozpoczęciu nowego projektu aplikacji opartej na AI twórcy będą mogli nie tylko napisać niezbędny kod w Go od podstaw, ale także wybrać to, co jest potrzebne dla AI w pakietach Golanga. 

Załóżmy, że wybrałeś moduł oprogramowania AI w języku programowania innym niż Go w celu stworzenia swojej aplikacji. Czy to oznacza, że w tym przypadku Golang nie będzie potrzebny w stacku technologicznym twojego projektu? Nie zawsze tak jest. To zależy.  

Oprócz samego modułu AI również inne części oprogramowania są istotne dla zapewnienia pozytywnego feedbacku od klienta. Jest to właśnie przestrzeń, w której można wykorzystać Golanga, ponieważ świetnie sprawdza się on w połączeniu z innymi językami w stosie technologicznym projektów AI. 

Golang jest obiecującym wyborem dla tych części oprogramowania, które wymagają poniższych cech: 

• Wysoka wydajność, znacznie wyższa niż w przypadku wspomnianego Pythona 
• Wielowątkowość 
• Szybkie i wydajne obliczenia przy użyciu procesora 
• Oszczędne wykorzystanie pamięci

Przedstawmy schematycznie strukturę aplikacji opartej na sztucznej inteligencji:

Wykorzystanie szybkiego, skompilowanego języka Go do implementacji logiki domeny, integracji rozwiązań innych firm, w tym usług przetwarzania w chmurze, i innych celów wzbogaci funkcjonalność aplikacji opartej na AI. 

Golang wydaje się być specjalnie stworzony do architektury mikrousług i pisania szybkich, kompaktowych modułów oprogramowania dla kluczowych funkcji aplikacji. Na przykład właściwe jest napisanie API aplikacji opartych na sztucznej inteligencji w języku Go. Podobnie jak, powiedzmy, czatu lub chatbota z dużym ruchem. 

Powody, dla których warto wspomnieć o języku Go, stają się jeszcze bardziej przekonujące, jeśli pomyślimy o projekcie oprogramowania opartego na sztucznej inteligencji na dużą skalę. Kompaktowość aplikacji i oszczędność zużywanej przez nią pamięci stają się krytyczne w przypadku dużych projektów. Ponadto duża liczba jednoczesnych żądań zmusza do dbania o współbieżność, co również jest mocną stroną Go. 

Niektóre części aplikacji mogą zauważalnie zwolnić podczas obsługi dużych strumieni danych i współbieżnych operacji, jeśli są napisane w języku wolniejszym niż Golang. Warto również pamiętać o optymalizacji czasu pracy programistów. W Pythonie również mogą pisać dość szybko, ale w Go potrzeba znacznie mniej czasu na optymalizację kodu. Ponadto możliwe jest skompilowanie języka z zależnymi modułami i bibliotekami w jednym pliku binarnym, co również jest wygodne. 

Golang ściśle reguluje sposób pisania kodu. Oszczędza to czas i wysiłek przy dużych projektach. Nie ma potrzeby opracowywania wytycznych lub ustalania jakichkolwiek zasad dotyczących stylu kodu w projekcie z wieloma programistami. Najprawdopodobniej programiści będą pisać niemal w ten sam sposób w przypadku aplikacji AI, jeżeli chodzi o Golanga. 

Poniżej omówimy przypadki produktów, w których udało nam się sprawić, że Python i Golang wzajemnie się uzupełniali. 

Golang dla projektów AI: Studia przypadków 

Rozważmy kilka przykładów projektów, których głównymi elementami stosu technologicznego są technologie Golang i AI. 

STUDIUM PRZYPADKU #1: SYSTEM PROGNOZOWANIA I REKOMENDACJI DLA SFERY FINANSOWEJ 

Jak powszechnie wiadomo, posiadane informacje mają znaczący wpływ na podejmowanie decyzji finansowych. W związku z tym, w tej dziedzinie istnieje zapotrzebowanie na narzędzia do natychmiastowego przetwarzania informacji tekstowych. 

Opracowane przez nas rozwiązanie, mające na celu semantyczną analizę informacji zawartych w różnych raportach i artykułach, zostało dodane do tego zestawu narzędzi.  

Główne wyzwania projektu: 

• Wyszukiwanie i wybór odpowiednich publikacji do analizy 
• Identyfikacja i wykorzystanie zależności między rzeczywistymi danymi a oczekiwanymi trendami 
• Szybkie przetwarzanie dużych ilości informacji z różnych źródeł. W końcu domena finansowa jest wrażliwa na szybkość, ponieważ sytuacja zmienia się tu dynamicznie, a informacje błyskawicznie stają się nieaktualne. 

Sugerowane rozwiązanie: 

System oprogramowania opracowany na Golangu, który przetwarza fakty i liczby podane w publikacjach z punktu widzenia tego, jak wpłyną one na cenę określonych akcji. Na podstawie informacji przetwarzanych w czasie rzeczywistym powstaje prognoza i rekomendacja, na przykład dotycząca zakupu lub sprzedaży papierów wartościowych. 

STUDIUM PRZYPADKU #2: PORTAL DO ZARZĄDZANIA INTERAKCJĄ Z USŁUGAMI W CHMURZE  

Produkt jest portalem dla twórców oprogramowania, inżynierów DevOps, CTO i właścicieli produktów. Celem portalu jest ułatwienie zarządzania interakcjami z wiodącymi usługami w chmurze, takimi jak Amazon, GoogleCloud, Azure itp. W przypadku takiego zasobu internetowego zasadnicze znaczenie ma zebranie wszystkich funkcji korzystania z chmury w jednym miejscu. Takie podejście pozwala zoptymalizować wykorzystanie zasobów, a tym samym koszt ich wykorzystania. 

Klient powierzył rozwój nam, MobiDev. W tym przypadku przydały się nasze umiejętności w realizacji projektów, których stos techniczny obejmuje zarówno Golang, jak i ML. 

Główne wyzwania projektu: 

• Konfiguracja cyklu uczenia maszynowego 
• Tworzenie oprogramowania do gromadzenia danych i obsługi łańcucha przetwarzania danych

Z etapu na etap cyklu życia ML, technologie zastępowały się nawzajem, jakby przekazywały sobie pałeczkę. Golang również odegrał znaczącą rolę w pewnej części dystansu. Nasi specjaliści zastosowali Go do dwóch etapów cyklu uczenia maszynowego przedstawionego na rysunku, w szczególności do gromadzenia i przygotowywania danych. Należy zauważyć, że wytrenowany model jest następnie obsługiwany przez Golang. 

Sugerowane rozwiązanie: 

• Tworzenie kompletnego cyklu uczenia maszynowego przy użyciu Pythona i Go do szkolenia i udoskonalania modeli  
• Opracowanie wysokowydajnego oprogramowania do gromadzenia i przygotowywania danych w języku Go 

W związku z tym Golang ma wiele opcji do wykorzystania w aplikacjach opartych na sztucznej inteligencji. Szybka wydajność, wielowątkowość do programowania współbieżnego i skalowalność języka Go ułatwiają zadania wymagające dużej ilości zasobów. Kompatybilność międzyplatformowa i możliwości debugowania ułatwiają wdrażanie i uruchamianie aplikacji AI. 

Nasze zespoły projektowe mają na oku wszystkie opcje łączenia AI z Go. W zależności od specyfiki projektu, możliwe jest wybranie Go jako języka do pisania większości kodu w projekcie lub zastosowanie go lokalnie w oddzielnych częściach oprogramowania.

Zdjęcie główne pochodzi z Envato Elements.