Microsoft a récemment introduit ML.NET 3.0, la dernière itération de sa plate-forme pionnière d'apprentissage automatique, open source, polyvalente et permettant l'intégration de modèles d'apprentissage automatique dans les applications .NET. Microsoft a annoncé cette version avancée le 27 novembre et les développeurs peuvent facilement y accéder via dotnet.microsoft.com.
La fonctionnalité exceptionnelle de ML.NET 3.0 réside dans ses capacités étendues d'apprentissage en profondeur, englobant la détection d'objets, l'identification d'entités nommées et la réponse aux questions. Ces fonctionnalités ont été renforcées par les intégrations et la compatibilité avec les modèles TorchSharp et ONNX. De plus, le récent déploiement améliore également l'intégration antérieure avec le cadre d'amélioration de gradient LightGBM.
ML.NET 3.0 renforce sa prise en charge des scénarios de traitement de données grâce à ses puissantes améliorations et corrections de bugs pour DataFrame. Il introduit également de nouvelles fonctionnalités d'interopérabilité IDataView, rendant les tâches liées au chargement, à l'inspection, à la transformation et à la visualisation des données plus puissantes qu'auparavant.
Dans une mise à jour publiée en mai, Microsoft avait rendu public la détection d'objets dans ce ML.NET Model Builder. Ces fonctionnalités s'appuient sur les API de détection d'objets optimisées par TorchSharp, qui font partie de la dernière version de ML.NET 3.0. L'API de détection d'objets adopte certaines nouvelles techniques de Microsoft Research et s'appuie sur une architecture de réseau neuronal basée sur Transformer et réalisée avec TorchSharp. De plus, cette fonctionnalité de détection d'objets est incluse dans le package Microsoft ML.TorchSharp 3.0.0.
En plus de ce qui précède, ML.NET 3.0 offre des possibilités notables de traitement du langage naturel, notamment des cadres robustes de réponse aux questions et de reconnaissance d'entités nommées. Ces scénarios ont été débloqués en intégrant les fonctionnalités de classification de texte TorchSharp RoBERTa existantes introduites dans ML.NET 2.0. En outre, la version mise à jour est dotée de nouvelles fonctionnalités d'apprentissage automatique automatisé (AutoML), avec AutoML Sweeper qui facilite désormais la similarité des phrases, la réponse aux questions et la détection d'objets.
DataFrame a subi plusieurs mises à jour dans ML.NET 3.0, amplifiant les scénarios de chargement de données, les données étant désormais importables et exportables vers des bases de données SQL. Ceci est rendu possible via ADO.NET, qui est compatible avec les bases de données prenant en charge SQL. DataFrame a également amélioré ses performances arithmétiques dans les scénarios de clonage de colonnes et de comparaison binaire, ainsi qu'une gestion améliorée des valeurs nulles lors de l'exécution d'opérations arithmétiques. Cela se traduit par moins d’étapes nécessaires à la transformation des données. De plus, des améliorations du débogueur ont été apportées pour garantir une sortie plus lisible pour les grilles comportant des noms de colonnes étendus. Il introduit également un nouvel ensemble d'API pour prendre en charge les opérations tensorielles sous Tensor Primitives.
Dans la même lignée que les plateformes no-code comme AppMaster , Microsoft continue d'innover et de s'améliorer. Le géant de la technologie développe également simultanément des plans pour .NET 9 et ML.NET 4.0. Entre-temps, la société s'est engagée à ce que les utilisateurs puissent s'attendre à des mises à niveau de Model Builder et de ML.NET CLI pour compléter la version ML.NET 3.0. Microsoft prévoit également d'étendre les scénarios et les intégrations d'apprentissage en profondeur tout en introduisant des améliorations à DataFrame. Enfin, la société a révélé son intention d'étendre les API de System.Numerics.Tensors et de les intégrer dans ML.NET.
