نماذج تصنيف الصور من Deci التي تم اكتشافها باستخدام كمية حسابية أقل بكثير من منصات التكنولوجيا الرائدة

شركة التعلم العميق Deci، التي تهدف إلى استغلال الذكاء الاصطناعي لبناء الذكاء الاصطناعي، أعلنت عن اكتشاف نماذج تصنيف الصور تسمى DeciNets. تم اكتشافها من خلال تقنية البناء التلقائي للعمارة العصبية (AutoNAC) المملوكة لشركة Deci، وتمت باستخدام كمية حسابية أقل بمقدار两个 من النظام الحاسوبي من تقنيات البحث عن بنية عصبية (NAS) من جوجل. كانت تقنيات NAS تستخدم في السابق لاكتشاف هياكل عصبية مثل EfficientNet.

هناك زيادة في الدفع نحو نماذج التعلم العميق الأكبر مع زيادة التعقيد الخوارزمي، والتي تنبع من الرغبة في تحسين الدقة والأداء مع مهام التنبؤ الأكثر تعقيدًا. كما أدت توافر الأجهزة الأكثر قوة والبيانات الكبيرة إلى هذه النماذج الجديدة للتعلم العميق.

خيارات بديلة للمطورين

然而، هذه النماذج ليست مثالية للعمليات الاستدلالية التكلفة الفعالة في الإنتاج. يمكن أن تلعب NAS دورًا في تلقين تصميم الشبكات العصبية الاصطناعية الأكثر فعالية، والتي يمكن أن تتفوق على الهياكل المصممة يدوياً، ولكنها تتطلب موارد كبيرة. الشركات التي تمكنت من تنفيذ NAS بنجاح هي في الغالب منظمات تكنولوجيا ضخمة مثل جوجل ومايكروسوفت، لذلك ليست خيارًا قابلاً للتطبيق لمعظم المطورين.

أرادت Deci أن تصلح هذه المشكلة من خلال تطوير AutoNAC، وهو أول نظام NAS قابل للتطبيق تجارياً. يسمح للمطورين بتصميم وإنشاء نماذج تعلم عميق يمكن أن تتفوق على أفضل الهياكل الأخرى. يمكن للمطورين تعيين معلمات لمهام محددة، مثل التصنيف والكشف، ويمكنهم تطبيق AutoNAC على مجموعتهم البيانية، مما يتيح لهم الحصول على نماذج محسنة جاهزة للإنتاج على نطاق واسع.

هناك جانب فريد آخر من AutoNAC هو أنه يعتمد على الأجهزة. بمعنى آخر، يمكنه تحقيق الأداء الأقصى من أي جهاز وتنفيذ النماذج في مجموعة متنوعة من البيئات، مثل السحابة والحد والجوال.

يوناتان جيفمان هو المؤسس المشارك والرئيس التنفيذي لشركة Deci.

“التعلم العميق يقوم بتشغيل الجيل التالي من الحوسبة – بدون نماذج أداء أعلى وأكثر كفاءة تعمل بسلاسة على أي جهاز، سوف تصل التكنولوجيا الاستهلاكية التي نعتادها يومياً إلى حائط،” قال جيفمان. “منهج Deci ‘الذكاء الاصطناعي الذي يبني الذكاء الاصطناعي’ هو أمر بالغ الأهمية في解 النماذج اللازمة لإطلاق عهد جديد من الابتكار، وتزويد المطورين بالأدوات المطلوبة لتحويل الأفكار إلى منتجات ثورية.”

تم تطبيق AutoNAC على مهام متعددة لتحسين النماذج على معالجات استدلال مختلفة، مثل معالج جرافيكس T4 من إنفيديا ومعالج جرافيكس Xavier NX الحد من إنفيديا. اكتشف AutoNAC DeciNets لتصنيف الصور باستخدام مجموعة بيانات ImageNet القياسية.

التفوق على منصات أخرى

أثبتت Deci khảية التفوق على منصات أخرى واستخدام كمية حسابية أقل بكثير عند توليد DeciNet، مما يعني أن المطورين لا يحتاجون إلى موارد ثقيلة في العملية. تمكنت DeciNets من التفوق على أي شبكة عصبية مفتوحة معروفة متاحة في السوق، مثل EfficientNets وMobileNets.

الأستاذ ران إيل يانيف هو المؤسس المشارك وعالم العلوم الرئيسي في Deci.

“اكتشف AutoNAC بعض أفضل نماذج التصنيف والكشف حتى الآن،” قال الأستاذ ران إيل يانيف. “ولكننا لن نوقف هناك؛ يمكن استخدام تقنيتنا لأي مهمة تعلم عميق سواء كانت رؤية أو معالجة اللغة الطبيعية (NLP)، و对于 كل هدف تحسين قابل للقياس. نحن نتحسن باستمرار AutoNAC حتى نتمكن دائمًا من تمكين المطورين من الحصول على النماذج الأكثر قوة التي تكسر الحدود الفعالة.”

تم تسمية Deci من قبل شركة Hewlett Packard Enterprise (HPE ) (HPE) كعضو في برنامج شركاء التكنولوجيا لتسريع الابتكار الاصطناعي، وتمت إضافتها إلى قائمة CB Insights AI 100 لعام 2021 كواحدة من أفضل معززات التعلم العميق. يتم تنفيذ تقنية AutoNAC عبر الصناعات في بيئات الإنتاج.