Deciho modely klasifikace obrázků byly objeveny pomocí mnohem menší výpočetní moci než u předních technologií

Společnost pro hluboké učení Deci, která si klade za cíl využít umělou inteligenci k výstavbě umělé inteligence, oznámila objev modelů klasifikace obrázků nazvaných DeciNets. Tyto modely byly objeveny pomocí vlastnické technologie Automated Neural Architecture Construction (AutoNAC) společnosti Deci a vyžadovaly dvě řády menší výpočetní moci než technologie Google-scale Neural Architecture Search (NAS). Technologie NAS byly dříve použity k objevu neuronových architektur, jako je EfficientNet.

Došlo k zvýšenému tlaku na větší modely hlubokého učení s rostoucí algoritmickou složitostí, která pramení z touhy po lepší přesnosti a výkonu při složitějších úkolech predikce. K dispozici je také více výkonného hardwaru a velkých dat, což vedlo k těmto novým modelům hlubokého učení.

Alternativní možnosti pro vývojáře

Nicméně, tyto modely nejsou ideální pro nákladově efektivní inferenční operace ve výrobě. NAS může hrát roli v automatizaci návrhu umělé neuronové sítě, která může překonat ručně navržené architektury, ale vyžadují významné zdroje. Společnosti, které byly schopny úspěšně implementovat NAS, jsou často obrovské technologické organizace, jako je Google a Microsoft, takže to není životaschopná možnost pro většinu vývojářů.

Společnost Deci se pokusila vyřešit tento problém vyvinutím AutoNAC, které je prvním komerčně životaschopným NAS. Umožňuje vývojářům automaticky navrhnout a postavit modely hlubokého učení, které mohou překonat ostatní špičkové architektury. Vývojáři mohou nastavit parametry pro konkrétní úkoly, jako je klasifikace a detekce, a mohou aplikovat AutoNAC na svá data, aby získali optimalizované modely připravené pro výrobu ve velkém měřítku.

Další jedinečnou vlastností AutoNAC je, že je vědomá hardwaru. Jinými slovy, může dosáhnout maximálního výkonu z libovolného hardwaru a nasadit modely v různých prostředích, jako je cloud, edge a mobilní zařízení.

Yonatan Geifman je spoluzakladatel a generální ředitel společnosti Deci.

„Hluboké učení pohání další generaci výpočetní techniky – bez lepších a účinnějších modelů, které běží na libovolném hardwaru, spotřebitelské technologie, které bereme jako samozřejmost každý den, dosáhnou bariéry,“ řekl Geifman. „Přístup společnosti Deci ‚umělá inteligence, která staví umělou inteligenci‘ je zásadní pro odemknutí modelů potřebných k uvolnění nové éry inovací, poskytující vývojářům nástroje potřebné k transformaci nápadů na revoluční produkty.“

AutoNAC byla aplikována na několik úkolů k optimalizaci modelů přes různé inferenční procesory, jako je NVIDIA T4 GPU a NVIDIA Jetson Xavier NX edge GPU. AutoNAC objevil DeciNets pro klasifikaci obrázků pomocí standardní datové sady ImageNet.

Překonání ostatních platforem

Společnost Deci prokázala schopnost překonat ostatní platformy a použít mnohem méně výpočetní moci při generování svého DeciNet, což znamená, že vývojáři nemusí mít těžké zdroje v procesu. DeciNets byly schopny překonat jakýkoli známý otevřený neuronový net na trhu, jako je EfficientNets a MobileNets.

Prof. Ran El-Yaniv je spoluzakladatel a hlavní vědec společnosti Deci.

„AutoNAC objevil některé z nejlepších modelů klasifikace a detekce do dneška,“ řekl Prof. Ran El-Yaniv. „Ale nezastavíme se tam; naše technologie může být použita pro jakýkoli úkol hlubokého učení, ať už je to vidění nebo zpracování přirozeného jazyka (NLP), a pro každý měřitelný optimalizační cíl. Kontinuálně zlepšujeme AutoNAC, aby vždy umožňovalo vývojářům získat nejvýkonnější modely, které překonají efektivní hranici.“

Společnost Deci byla jmenována Hewlett Packard Enterprise (HPE) jako člen jejich programu Technology Partner Program pro urychlení inovací umělé inteligence a byla zařazena do seznamu CB Insights AI 100 za rok 2021 jako jeden z nejlepších akcelerátorů hlubokého učení. Technologie AutoNAC je implementována napříč odvětvími ve výrobních prostředích.