Na decennia lang enigszins te hebben stilgestaan, maakt kunstmatige intelligentie (AI) nu een periode door van krachtige versnelling. Nu de vraag naar AI-vaardigheden de afgelopen jaren meer dan verdubbeld is, is een carrière in AI een zeer aantrekkelijke optie geworden voor mensen met interesse in data science en software engineering.
Volgens het recente rapport “Sizing the Prize” van PwC zal het wereldwijde BBP in 2030 naar verwachting 14 procent (of 15,7 biljoen dollar) hoger liggen als gevolg van AI. Daarmee is het de belangrijkste commerciële kans in de huidige economie.
Als AI de productiviteit, productkwaliteit en consumptie stimuleert, zal de meest dramatische sectorwinst worden geboekt in de financiële dienstverlening, de gezondheidszorg en de detailhandel. AI opent een hele nieuwe wereld van mogelijkheden voor zowel bedrijven als software engineers, dus als je staat te popelen om te profiteren van deze kans, vraag je je misschien af waar je moet beginnen.
Je kunt jezelf vragen stellen als wat is de snelste weg naar een carrière in AI of wat is de beste programmeertaal voor AI?
Het antwoord op deze vragen zal afhangen van je kennis en ervaring, het type AI-project waarin je geïnteresseerd bent, en de huidige (en toekomstige) trends in de industrie. Op dit moment is er geen specifieke AI-taal voor dit technologiegebied, maar ondersteunt het een veelheid aan populaire programmeertalen.
Maar om je kansen op een snelle start van een carrière in AI te vergroten, wil je AI-programmeertalen leren die worden ondersteund door diverse machine learning (ML) en deep learning (DL) bibliotheken. Je leert een AI-taal die profiteert van een gezond ecosysteem van tools, ondersteuningspakketten en een grote gemeenschap van programmeurs.
Dit gezegd hebbende, zijn er nog genoeg opties om te overwegen, dus laten we er maar meteen induiken!
De beste programmeertalen voor AI
Python
Als het op AI-programmeertalen aankomt, leidt Python het peloton met zijn ongeëvenaarde community-ondersteuning en vooraf gebouwde bibliotheken (zoals NumPy, Pandas, Pybrain en SciPy) die helpen bij het versnellen van AI-ontwikkeling. Je kunt bijvoorbeeld bewezen bibliotheken als scikit-learn gebruiken voor ML en regelmatig bijgewerkte bibliotheken als Apache MXNet, PyTorch en TensorFlow voor DL-projecten.
Voor Natural Language Processing (NLP) kun je old school gaan met NLTK of gebruik maken van het razendsnelle SpaCy. Python is de toonaangevende codeertaal voor NLP vanwege de eenvoudige syntaxis, structuur, en rijke tekstverwerking tool.
Hoewel het soms wordt aangeduid als de beste programmeertaal voor AI, moet je voorbij de vijf verschillende verpakking systemen kijken die allemaal op verschillende manieren zijn opgesplitst, een aantal witte spacing problemen, en de disconnect tussen Python 2 en Python 3.
Maar in het grote geheel van de dingen, is het volkomen logisch om Python te leren, omdat het beschikt over de meest uitgebreide frameworks voor zowel DL als ML. Omdat deze uiterst flexibele AI-taal platformonafhankelijk is, hoef je slechts kleine wijzigingen in de code aan te brengen om deze in een nieuw besturingssysteem te kunnen gebruiken.
(Gebruik dit gratis lesprogramma om een sterke basis te leggen voor ML, met beknopte maar nauwgezette en hands-on Python-tutorials.)
Java
We kunnen het niet hebben over de beste programmeertaal voor AI zonder het te hebben over de objectgeoriënteerde programmeertaal, Java. Sinds het ontstaan ervan in 1995 is Java uitgegroeid tot een zeer overdraagbare, onderhoudbare en transparante taal, die wordt ondersteund door een schat aan bibliotheken.
Net als sommige programmeertalen op deze lijst is Java ook zeer gebruiksvriendelijk, eenvoudig te debuggen en werkt het op verschillende platformen zonder dat het opnieuw gecompileerd hoeft te worden. Dit komt doordat de Virtual Machine Technology het mogelijk maakt de code op alle door Java ondersteunde platforms te draaien.
Als het gaat om het werken met NLP, is het gemakkelijk om voldoende steun te vinden bij de levendige gemeenschap die eromheen is gebouwd. Omdat Java naadloze toegang biedt tot big data-platforms als Apache Spark en Apache Hadoop, heeft het zijn plaats veroverd binnen de aan data-analyse gerelateerde AI-ontwikkeling.
Als je nog meer redenen nodig hebt om Java te leren, bedenk dan dat het naadloos samenwerkt met zoekmachine-algoritmen, de onderlinge verbindingen tussen gebruikers verbetert, en het vereenvoudigde framework grootschalige projecten efficiënt ondersteunt.
Julia
Wanneer een taak hoogwaardige numerieke berekeningen en analyses vereist, is Julia (ontwikkeld door MIT) de beste programmeertaal voor AI-projecten. Julia is expliciet ontworpen om zich te richten op de numerieke berekeningen die nodig zijn voor AI, en je kunt resultaten krijgen zonder de typische eis van aparte compilatie. De kern van het programmeerparadigma bestaat uit een typesysteem met parametrisch polymorfisme en meervoudige dispatch-mogelijkheden.
In tegenstelling tot de talen hierboven, is Julia op dit moment niet echt de taal waarnaar men op zoek is. Als gevolg daarvan wordt het niet ondersteund door een overvloed aan bibliotheken of een snel groeiende gemeenschap.
Hoewel, als een open-source taal (onder een liberale MIT licentie), neemt de populariteit langzaam toe. Wrappers als TensorFlow.jl en Mocha bieden uitstekende ondersteuning voor DL, dus er is hulp beschikbaar – maar niet zoveel als in Python.
Een van de belangrijkste voordelen van het werken met Julia is de mogelijkheid om algoritmen uit research papers te vertalen naar code zonder enig verlies. Dit vermindert het modelrisico aanzienlijk en verbetert de veiligheid.
Werken aan AI-programmering met Julia vermindert fouten en verlaagt de kosten, omdat het de vertrouwde syntaxis en het gebruiksgemak van talen als C++, Python en R combineert. Dit voorkomt de noodzaak om een model in de ene taal in te schatten en het in een snellere productietaal te reproduceren.
Haskell
Haskell is een gestandaardiseerde strong static typing (algemene) taal die in de jaren negentig is ontwikkeld met een niet-strikte semantiek (gebaseerd op de programmeertaal Miranda).
Haskell is vooral populair in academische kringen, maar tech-giganten als Facebook en Google maken er ook gebruik van. Haskell wordt gebruikt in onderzoeksprojecten omdat het ingebedde domeinspecifieke talen ondersteunt die een belangrijke rol spelen in programmeertaalonderzoek en AI.
In tegenstelling tot Java is Haskell perfect voor abstracte wiskunde, omdat het expressieve en efficiënte bibliotheken mogelijk maakt om AI-algoritmen te maken. HLearn maakt bijvoorbeeld gebruik van gemeenschappelijke algebraïsche structuren zoals modules en monoïden om de snelheid van eenvoudige ML-algoritmen uit te drukken en te versnellen.
Hoewel je deze algoritmen in elke AI-taal kunt coderen, maakt Haskell ze veel expressiever dan andere met behoud van een acceptabel prestatieniveau.
Het is ook een uitstekende gastheer voor probabilistisch programmeren en helpt ontwikkelaars snel fouten te identificeren tijdens de compileerfase van de iteratie. Omdat Haskell niet erg populair is in bedrijfsomgevingen, kun je niet hetzelfde niveau van ondersteuning verwachten als voor Java en Python.
Lisp
Terwijl AI pas de laatste jaren een significante impact begint te krijgen op consumenten, gaan onderzoek en ontwikkeling op dit gebied al terug tot de jaren vijftig van de vorige eeuw. Lisp heeft vanaf het begin centraal gestaan in de ontwikkeling van AI, en dat is nog steeds zo.
Sommigen beschouwen het als de beste taal voor AI, omdat het in 1958 is ontwikkeld door computerwetenschapper en vader van AI John McCarthy. Het is ook zeer geschikt voor de ontwikkeling van AI, omdat het door zijn unieke eigenschappen de effectieve verwerking van symbolische informatie mogelijk maakt.
Lisp kan worden omschreven als een praktische wiskundige notatie voor computerprogramma’s. AI-ontwikkelaars wenden zich vaak tot Lisp voor AI-projecten die zwaar leunen op ML, omdat het snelle prototyping-mogelijkheden biedt, ondersteuning voor symbolische expressies, een bibliotheek van verzameltypes, en zeer flexibel en aanpasbaar is aan hun probleemoplossende behoeften.
Het is ook populair onder AI-programmeertalen omdat het de eenvoudige dynamische creatie van nieuwe objecten mogelijk maakt, met automatische garbage collection. Terwijl het programma nog loopt, kun je ook interactieve evaluatie van expressies en hercompilatie van functies of bestanden gelijktijdig mogelijk maken.
De laatste jaren zijn enkele van de belangrijkste kenmerken die het speciaal maakten echter gemigreerd naar verschillende andere talen, dus het is niet langer zo’n unieke optie in de wereld van AI.
Hoewel het moeilijk is om één taal te kiezen als de beste programmeertaal voor AI, zouden de vijf hierboven genoemde talen waarschijnlijk ieders top 10 halen. Veel andere programmeertalen kunnen worden gebruikt voor AI, waaronder C++, R en Prolog, dus het komt echt op jou en de unieke eisen van het project aan.
Als ik gedwongen zou worden om er een te kiezen als de beste programmeertaal voor AI, dan zou ik voor Python gaan, omdat het in de voorhoede van het AI-onderzoek staat. Het is ook een taal die min of meer alomtegenwoordig is in ML, data science, en cybersecurity.
Als je wilt doorgroeien naar een carrière als machine learning engineer, kijk dan eens naar de Machine Learning Engineering Career Track van Springboard, de eerste in zijn soort met een baangarantie.