تم اكتشاف نماذج تصنيف الصور الخاصة بـ Deci باستخدام قوة حوسبة أقل بكثير من التكنولوجيا الرائدة

شركة التعلم العميق ديسي، التي تهدف إلى تسخير الذكاء الاصطناعي لبناء الذكاء الاصطناعي ، أعلنت عن اكتشاف نماذج تصنيف الصور تسمى DeciNets. تم اكتشافها من خلال تقنية بناء العمارة العصبية المؤتمتة (AutoNAC) الخاصة بـ Deci ، واستغرق الأمر قوة حوسبة أقل بمرتين من تقنيات بحث الهندسة المعمارية العصبية (NAS) على نطاق Google. تم استخدام تقنيات NAS سابقًا لاكتشاف البنى العصبية مثل EfficientNet.

كان هناك دفع متزايد لنماذج التعلم العميق الأكبر مع زيادة تعقيد الخوارزمية ، والتي تنبع من الرغبة في تحسين الدقة والأداء مع مهام تنبؤ أكثر تعقيدًا. كما أدى توفر أجهزة وبيانات ضخمة أكثر قوة إلى نماذج التعلم العميق الجديدة هذه. 

خيارات بديلة للمطورين

ومع ذلك، فإن هذه النماذج ليست مثالية لعمليات الاستدلال الفعالة من حيث التكلفة في الإنتاج. يمكن أن تلعب NAS دورًا في أتمتة تصميم الشبكات العصبية الاصطناعية الأكثر فعالية، والتي يمكن أن تتفوق في الأداء على البنى المصممة يدويًا، ولكنها تتطلب موارد كبيرة. غالبًا ما تكون الشركات التي تمكنت من تنفيذ NAS بنجاح عبارة عن مؤسسات تقنية ضخمة مثل Google وMicrosoft، لذا فهي ليست خيارًا قابلاً للتطبيق بالنسبة لمعظم المطورين.

شرع Deci في معالجة هذه المشكلة من خلال تطوير AutoNAC ، وهو أول NAS قابل للتطبيق تجاريًا. يسمح للمطورين بتصميم وبناء نماذج التعلم العميق التي يمكنها أن تتفوق في الأداء على البنى التحتية الأخرى. يمكن للمطورين تعيين معلمات لمهام محددة ، مثل التصنيف والكشف ، ويمكنهم تطبيق AutoNAC على مجموعة البيانات الخاصة بهم ، مما يمكنهم من الحصول على نماذج محسنة جاهزة للإنتاج على نطاق واسع. 

جانب آخر فريد من نوعه في AutoNAC هو أنه يدرك الأجهزة. بمعنى آخر ، يمكنه تحقيق أقصى أداء من أي جهاز ونشر نماذج في مجموعة متنوعة من البيئات ، مثل السحابة والحافة والجوال.

Yonatan Geifman هو المؤسس المشارك والرئيس التنفيذي لشركة Deci. 

قال جيفمان: "يعمل التعلم العميق على تشغيل الجيل التالي من الحوسبة - بدون نماذج ذات أداء أعلى وأكثر كفاءة تعمل بسلاسة على أي جهاز ، فإن التقنيات الاستهلاكية التي نأخذها كأمر مسلم به كل يوم ستصل إلى حاجز". "يعتبر نهج Deci's 'AI الذي يبني الذكاء الاصطناعي' أمرًا حاسمًا في إطلاق العنان للنماذج اللازمة لإطلاق العنان لعصر جديد من الابتكار ، وتمكين المطورين بالأدوات اللازمة لتحويل الأفكار إلى منتجات ثورية." 

تم تطبيق AutoNAC في العديد من المهام لتحسين النماذج على معالجات الاستدلال المختلفة ، مثل NVIDIA's T4 GPU و NVIDIA's Jetson Xavier NX edge GPU. اكتشف AutoNAC DeciNets لتصنيف الصور باستخدام مجموعة بيانات معيار ImageNet القياسية. 

يتفوق على المنصات الأخرى

أظهر Deci قدرته على التفوق في الأداء على الأنظمة الأساسية الأخرى واستخدام قدر أقل بكثير من العمليات الحسابية عند إنشاء DeciNet ، مما يعني أن المطورين لا يحتاجون إلى موارد ثقيلة في هذه العملية. تمكنت DeciNets من التفوق في الأداء على أي شبكة عصبية مفتوحة المصدر معروفة متوفرة في السوق ، مثل EfficientNets و MobileNets. 

البروفيسور ران الينيف هو المؤسس المشارك وكبير العلماء في ديسي. 

قال البروفيسور ران اليانيف: "اكتشفت AutoNAC بعضًا من أفضل نماذج التصنيف والكشف حتى الآن". لكننا لن نتوقف عند هذا الحد؛ يمكن استخدام تقنيتنا في أي مهمة تعليمية عميقة، سواء كانت الرؤية أو معالجة اللغات الطبيعية (NLP)، ولكل هدف تحسين قابل للقياس. نحن نعمل باستمرار على تحسين AutoNAC بحيث يسمح دائمًا للمطورين بالحصول على أقوى النماذج التي تكسر الحدود الفعالة.

تم تسمية Deci بواسطة Hewlett Packard Enterprise (HPE) كعضو في برنامج شركاء التكنولوجيا لتسريع ابتكار الذكاء الاصطناعي ، وتم تضمينه في قائمة 2021 CB Insights AI 100 كأفضل مسرع للتعلم العميق. يتم تنفيذ تقنية AutoNAC عبر الصناعات في بيئات الإنتاج.