Inteligența artificială (AI) deschide posibilități complet noi pentru dezvoltatorii de software. Cu ajutorul învățării automate și profunde, pot fi implementate profiluri și recomandări de utilizator mai bune, un grad mai mare de personalizare, opțiuni de căutare mai inteligente sau interfețe mai inteligente. Acest lucru ridică inevitabil întrebarea ce limbaj de programare ar trebui folosit pentru aceasta. Cerințele pe care trebuie să le îndeplinească un limbaj de codare AI sunt diverse: ar trebui să fie disponibile un număr mare de biblioteci și de deep learning, precum și un mediu de rulare de înaltă performanță, suport extins pentru instrumente, o comunitate mare de dezvoltatori și un ecosistem sănătos.
Deși acest catalog de cerințe este cuprinzător, ai câteva opțiuni bune din care să alegi, atunci când vine vorba de programarea inteligenței artificiale. Iată doar câteva dintre cele mai bune limbaje de programare AI.
Python
Dacă ești un dezvoltator care lucrează cu inteligență artificială, aproape sigur nu ai nicio cale de a ocoli Python. Aproape toate bibliotecile comune acceptă Python 3.x. Vremurile în care conversia de la Python 2.x la 3.x a adus cu ea probleme de compatibilitate a trecut demult. Cu alte cuvinte, poți beneficia în sfârșit de numeroasele funcții noi ale Python 3.x în practică. Ceea ce nu înseamnă că obstacolele de ambalare nu mai joacă niciun rol în Python, însă majoritatea problemelor pot fi ocolite cu ajutorul Anaconda. Cu toate acestea, ar fi bine dacă comunitatea Python ar fi în sfârșit complet eliberată de aceste obstacole.
Acestea fiind spuse, bibliotecile matematice și statistice disponibile ale Python, sunt cu mult înaintea altor limbaje de programare: NumPy este acum atât de omniprezent, încât poate fi numit aproape API-ul standard pentru operațiuni cu tensori, în timp ce Pandas aduce cadrele de date flexibile ale lui R în lumea Python. Pentru procesarea limbajului natural (NLP) ai de ales între NLTK și SpaCy super-rapid, în timp ce pentru scopuri de învățare automată se recomandă scikit-learn, încercat și testat. Pe de altă parte, când vine vorba de deep learning, toate bibliotecile actuale (TensorFlow, PyTorch, Chainer, Apache MXNet, Theano etc.) sunt în principiu proiecte „Python-first”.
Dacă ești un vizitator obișnuit al arXiv, poate că ai observat că majoritatea proiectelor de cercetare de învățare profundă de acolo, care oferă cod sursă se bazează pe Python pentru a face acest lucru. Când vine vorba de modele de implementare, arhitecturile și tehnologiile de micro servicii precum, SeldonCore au făcut mult mai ușoară implementarea modelelor Python în mediile de producție. Python este, fără îndoială, limbajul de programare preferat atunci când vine vorba de cercetarea AI. Oferă cea mai mare selecție de cadre de învățare automată și profundă și este limbajul de codare care dă tonul în lumea AI.
Swift
Swift pentru TensorFlow combină cele mai recente și mai bune caracteristici ale TensorFlow cu beneficiile bibliotecilor Python, care sunt ușor de inclus – la fel ca și cum ai folosi Python. Echipa Fastai lucrează în prezent la o versiune Swift a bibliotecii sale populare – și promite numeroase optimizări, în special în legătură cu compilatorul LLVM.