Це нішева тема

Саме так — нішева тема для нішевих задач.

Більшість ml девів знають python

Стаття ві джавіста для джавістів :)

Все найновіше зʼявляється на python

Сам пайтон колись у 80-х з’явився як pet-project, щоб поекспериментувати :)

pros&cons?

Питання було про використання вже готової тренованої моделі. До чого тут обчислення нейромережі?

Ця стаття — це огляд можливих рішень. Ще раз зазначу, що все залежатиме від поставленої задачі. Використання Tribuo може бути прийнятним для для одного випадку і взагалі не прийнятним для іншого.

це витратити багато часу з сумнівним результатом

Тавким словосполученням можна і описати багато існуючих enterprise проектів в IT загалом 🙂

Тут вже все залежить від певних задач та архітектури. У випадку з Tribuo — зовнішня модель це власний русурс Java проекту (або файл десь у cloud-сховищі). Якщо викорустовувати допоміжніи сервіс — це додаткові ресурси на його розгортання і роботу і трафік між двома сервісами. Але щоб отримати відповідь який з варіантів краще, треба провести кійсь есперимент який буде використовувати обидва підходи і навести відповідні метрики. :)

Дякую за коментар.

Як її запустити?

Запустити таку модель можна засобами бібліотеки Tribuo. Ось тут можна пдивитись приклад:
tribuo.org/...​nal-models-tribuo-v4.html

І навіщо?

Якщо у вас є додаток/застосунок/(мікро-)сервіс, який напсаний на Java (або JVM-compatible мові) і ви бажаєте опрацювувати якісь вхідні данні, які до нього надходять за допомогою вже готової моделі і потім використовувати результат.

Саме так. Aparapi переводит байт код, который вы реализуете внутри Kernel в код OpenCL. Но тут есть ограничения — использовать можно в основном протсейшие конструкции типа объявления переменных, арифметические опреации, работу с массивами.

Вітаю, дякую з коментар! Коли я починав занурюватись у тему AI, то хотілося цим займатись у звичному та «рідному» Java-середовищі, бо я не є великим фанатом Пайтону. Тому, шукаючи інструменти для роботи з GPU та ML, я орієнтувався на нформацію від профільних офіційних Java джерел (типу Java magazine, Java newscast та ін.) і там згадувались інструменти, які я згадував у статті.
Про deeplearning4j я теж чув, але не працював із цією бібліотекою. Можливо спробую погратися і порівняти з тими інструментами, що я використовую і освітити це в наступних статтях :)

Спасибо за комментарий, у статьи еще будет продолжение.

Спасибо за комментарий! В статье есть абзац с пояснением о SPECIES, там я указал, что авторы API рекомендуют использовать preferredShape().
"

Але розробники векторного API радять використовувати методи VectorShape.preferredShape() та VectorSpecies.ofPreferred() для вибору форми з урахуванням платформи.

"

У этой статьи еще будет продолжение. Про GPU и MIMD, там как раз OpenCL и JCUDA будут рассматриваться. 🙂