نماذج تصنيف الصور من Deci التي تم اكتشافها باستخدام قدرة حاسوبية أقل بكثير من التقنيات الرائدة

شركة التعلم العميق Deci، التي تهدف إلى استخدام الذكاء الاصطناعي لبناء الذكاء الاصطناعي، أعلنت عن اكتشاف نماذج تصنيف الصور تسمى DeciNets. تم اكتشافها من خلال تقنية Deci الخاصة ببناء الهياكل العصبية التلقائي (AutoNAC)، واستغرق الأمر أمرين من حيث القوة الحاسوبية مقارنة بتكنولوجيا البحث عن الهياكل العصبية من جوجل (NAS). كانت تكنولوجيا NAS تستخدم في السابق لاكتشاف هياكل عصبية مثل EfficientNet.

هناك ضغط متزايد لزيادة حجم نماذج التعلم العميق وزيادة تعقيد الخوارزميات، وهو ما يأتي من الرغبة في تحسين الدقة والأداء لمهام 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 ذات 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 تقنية ضخمة مثل جوجل ومايكروسوفت، لذلك ليست خيارًا قابلاً للتطبيق لمعظم المطورين.

سعت Deci إلى حل هذه المشكلة من خلال تطوير AutoNAC، وهو أول NAS قابل للتطبيق تجارياً. يسمح للمطورين بتصميم وإنشاء نماذج التعلم العميق تلقائياً والتي يمكن أن تتفوق على أفضل الهياكل الأخرى. يمكن للمطورين تعيين معلمات لمهام محددة، مثل التصنيف والكشف، ويمكنهم تطبيق AutoNAC على مجموعات بياناتهم، مما يتيح لهم الحصول على نماذج محسنة جاهزة للإنتاج على نطاق واسع.

هناك جانب فريد آخر من AutoNAC هو أنه يعرف بالعتاد. بعبارة أخرى، يمكنه تحقيق الأداء الأقصى من أي عتاد ونشر النماذج في مجموعة متنوعة من البيئات، مثل السحابة والحد والجوال.

Yonatan Geifman هو المؤسس المشارك والرئيس التنفيذي لشركة Deci.

“يعمل التعلم العميق على تشغيل الجيل التالي من الحوسبة – بدون نماذج أكثر أداء وفعالية ت chạy بشكل سلس على أي عتاد، سوف تصل التكنولوجيا الاستهلاكية التي نتخذها معها كل يوم إلى حائط،” قال جيفمان. “منهج Deci في ‘بناء الذكاء الاصطناعي’ هو حاسم في فتح النماذج اللازمة لإطلاق عصر جديد من الابتكار، وتمكين 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 شركة NVIDIA ومعالج جرافيكس الحد Jetson Xavier NX من شركة NVIDIA. اكتشف AutoNAC DeciNets لتصنيف الصور باستخدام مجموعة بيانات ImageNet القياسية.

التفوق على منصات أخرى

أثبتت Deci khả năng التغلب على منصات أخرى واستخدام كمية حسابية أقل بكثير عند توليد DeciNet، مما يعني أن المطورين لا يحتاجون إلى موارد ثقيلة في العملية. كان DeciNets قادرًا على التغلب على أي شبكة عصبية مفتوحة المصدر متاحة في السوق، مثل EfficientNets وMobileNets.

أستاذ Ran El-Yaniv هو المؤسس المشارك وعالمChief Scientist في Deci.

“اكتشف AutoNAC بعض أفضل نماذج التصنيف والكشف حتى الآن،” قال أستاذ Ran El-Yaniv. “ولكننا لن نوقف هناك؛ يمكن استخدام تكنولوجيانا لأي مهمة تعلم عميق سواء كانت رؤية أو معالجة اللغة الطبيعية (NLP)، ولكل هدف تحسين قابل للقياس. نحن نتحسن باستمرار AutoNAC حتى يسمح دائمًا للمطورين بالحصول على النماذج الأكثر قوة التي تكسر الحد الفعال.”

تم تسمية Deci من قبل Hewlett Packard Enterprise (HPE) كعضو في برنامج شركاء التكنولوجيا لتسريع الابتكار في مجال الذكاء الاصطناعي، وتمت إضافتها إلى قائمة CB Insights AI 100 لعام 2021 كواحدة من أسرع شركات الذكاء الاصطناعي نمواً. يتم تنفيذ تكنولوجيا AutoNAC عبر الصناعات في بيئات الإنتاج.