SelfMachines

SelfMachines 將自己定位為終極 AI 開發平台，專為實現超高生產力、可觀測性和可解釋性而設計。它提供了一個功能強大且易於使用的無程式碼、拖放式環境，使 AI 開發大眾化，讓從業務分析師到資深機器學習工程師的廣泛使用者群體都能參與其中。SelfMachines 的核心理念是超越「一體適用」雲端解決方案的局限，支援創建完全客製化的 AI 管道和模型，使其與特定的業務邏輯和需求精確對齊。

該平台的創新之處在於其專有的階層式圖形引擎。該引擎允許在單一的統一環境中，對機器學習模型及其所依賴的流程進行視覺化編排和管理。這種整合方法簡化了傳統上複雜的 AI 部署和訓練任務，使進階 AI 變得更加易於存取和管理。

如何使用 SelfMachines

SelfMachines 採用獨特而強大的 7 級抽象方法來建構 AI 系統，實現了漸進式的複雜性和模組化：

1. 層（Layer）級別： 從神經網路的基本建構塊開始，類似於 TensorFlow 或 PyTorch 中的元件。這包括超過 50 種層類型，如卷積、循環神經網路（RNN）、多頭注意力、線性層、活化函數和損失函數。
2. 塊（Block）級別： 組合多個層以創建更複雜的處理單元或模組。
3. 階段（Stage）級別： 透過多次重複一個特定的塊來定義一個階段，這是深度學習架構中的常見模式。
4. 圖（Graph）級別： 建構有向無環圖（DAG），其中節點是先前創建的階段。這允許建構複雜的模型架構，如 Transformer 編碼器或 ResNet。
5. 元圖（MetaGraph/Node）級別： 透過創建節點本身就是上一級圖形的圖形來提升複雜性。
6. 代理（Agent）級別： 將代理定義為元圖的圖。這些代理可以代表複雜的推理結構，並執行多樣化的自主任務。
7. 系統（System）級別： 最高級別的抽象，您可以在此建構由代理組成的圖。這使得創建多功能系統成為可能，其中不同的代理處理不同的任務，例如呼叫 API、訓練神經網路或充當資料來源。

最後，您可以使用「作業（Job）」結構來執行這些複雜的系統，透過您設計的管道處理資料。

SelfMachines 的核心功能

• 階層式圖形引擎： 獨特的 7 級抽象模型，用於建構日益複雜的系統（層、塊、階段、圖、元圖、代理、系統）。
• 無程式碼拖放式介面： 直觀的視覺化環境，簡化了 AI 工作流程的設計、建構和編排。
• 模組化擴充性： 使用者不受限於內建模組。他們可以創建、客製化並儲存自己的模組類型，以便在其他專案中重複使用，從而實現超高生產力。
• 端到端 AI 開發： 一個統一的平台，用於建構、訓練、管理和交付各種資訊檢索和處理管道。
• 可觀測性與可解釋性： 核心設計原則，提供對模型行為和效能的深入洞察，便於除錯和建立信任。
• 豐富的元件庫： 內建支援大量深度學習層，包括可學習（卷積、RNN）和不可學習（活化、正規化、損失）元件。

SelfMachines 的使用案例

SelfMachines 是尋求建構複雜、客製化 AI 解決方案的組織和開發者的理想選擇：

• 客製化深度學習模型： 設計和訓練客製化的神經網路，用於影像分類（如 Cifars 代理教學所示）、自然語言處理和時間序列分析等任務。
• 複雜工作流程自動化： 編排多代理系統，其中不同的 AI 代理協作執行複雜任務，例如從 API 擷取資料、資料預處理、模型推論和結果報告。
• 專業業務邏輯管道： 創建由 AI 驅動的工作流程，以滿足標準、現成的 AI 服務無法滿足的獨特業務需求。
• 研究與原型設計： 快速建構複雜 AI 架構的原型並進行迭代，利用平台的模組化和視覺化特性高效地測試新想法。

SelfMachines 的優勢特點

與傳統的 AI 開發方法相比，該平台具有顯著優勢：

• 超高生產力： 模組化、可重用和視覺化的工作流程極大地加速了開發和部署生命週期。
• 深度客製化： 擺脫通用 AI 平台的束縛，建構完全根據您的資料和業務目標量身訂製的解決方案。
• 易於使用： 使更廣泛的團隊成員（包括程式編寫經驗有限的人員）能夠為 AI 開發做出貢獻。
• 可擴展的複雜性： 階層式結構旨在管理和擴展從簡單模型到極其複雜的多功能 AI 系統，而不會失去清晰度。

定價和計劃

SelfMachines 目前處於 Beta 測試階段，正在積極招募早期客戶。透過加入 Beta 計畫，使用者可以搶先體驗新功能並享受特別折扣。這種早期合作關係還允許客戶影響未來客製化功能的開發，幫助塑造平台的路線圖。歡迎有興趣的各方在網站上申請成為早期客戶。