Decis billedklassificeringsmodeller opdaget ved at bruge langt mindre computerkraft end førende teknologi

Deep learning virksomhed Her, som har til formål at udnytte AI til at bygge AI, har annonceret opdagelsen af ​​billedklassificeringsmodeller kaldet DeciNets. De blev opdaget gennem Decis proprietære Automated Neural Architecture Construction (AutoNAC) teknologi, og det tog to størrelsesordener mindre computerkraft end Google-skala Neural Architecture Search (NAS) teknologier. NAS-teknologierne blev tidligere brugt til at opdage neurale arkitekturer som EfficientNet.

Der har været et øget skub for større dyb læringsmodeller med stigende algoritmisk kompleksitet, hvilket stammer fra ønsket om forbedret nøjagtighed og ydeevne med mere komplekse forudsigelsesopgaver. Tilgængeligheden af ​​mere kraftfuld hardware og big data har også ført til disse nye deep learning-modeller. 

Alternative muligheder for udviklere

Disse modeller er dog ikke ideelle til omkostningseffektive slutningsoperationer i produktionen. NAS kunne spille en rolle i at automatisere designet af mere effektive kunstige neurale netværk, som kan overgå manuelt designede arkitekturer, men de kræver betydelige ressourcer. De virksomheder, der har været i stand til at implementere NAS med succes, er ofte massive tech-organisationer som Google og Microsoft, så det er ikke en levedygtig mulighed for de fleste udviklere.

Deci satte sig for at afhjælpe dette problem ved at udvikle AutoNAC, som er den første kommercielt levedygtige NAS. Det giver udviklere mulighed for automatisk at designe og bygge deep learning-modeller, der kan udkonkurrere andre toparkitekturer. Udviklere kan indstille parametre for specifikke opgaver, såsom klassificering og detektion, og de kan anvende AutoNAC på deres datasæt, hvilket gør dem i stand til at opnå optimerede modeller klar til produktion i skala. 

Et andet unikt aspekt ved AutoNAC er, at det er hardware-bevidst. Med andre ord kan den opnå maksimal ydeevne ud af enhver hardware og implementere modeller i en række forskellige miljøer, såsom cloud, edge og mobil.

Yonatan Geifman er medstifter og administrerende direktør for Deci. 

"Dyb læring driver næste generation af computere - uden højere ydeevne og mere effektive modeller, der problemfrit kører på enhver hardware, vil forbrugerteknologier, som vi tager for givet hver dag, nå en barriere," sagde Geifman. "Decis 'AI, der bygger AI'-tilgang er afgørende for at låse op for de modeller, der er nødvendige for at udløse en ny æra af innovation, og give udviklere de nødvendige værktøjer til at omdanne ideer til revolutionerende produkter." 

AutoNAC blev anvendt på flere opgaver for at optimere modeller over forskellige inferensprocessorer, såsom NVIDIAs T4 GPU og NVIDIAs Jetson Xavier NX edge GPU. AutoNAC opdagede DeciNets til billedklassificering ved hjælp af standard ImageNet-benchmark-datasættet. 

Udkonkurrerer andre platforme

Deci demonstrerede en evne til at udkonkurrere andre platforme og bruge langt mindre beregning, når de genererede sit DeciNet, hvilket betyder, at udviklere ikke har brug for tunge ressourcer i processen. DeciNets var i stand til at udkonkurrere ethvert kendt open source neuralt net på markedet, såsom EfficientNets og MobileNets. 

Prof. Ran El-Yaniv er medstifter og Chief Scientist af Deci. 

"AutoNAC opdagede nogle af de bedste klassificerings- og detektionsmodeller til dato," sagde prof. Ran El-Yaniv. ”Men vi stopper ikke der; vores teknologi kan bruges til enhver deep learning-opgave, hvad enten det er vision eller Natural Language Processing (NLP), og til ethvert målbart optimeringsmål. Vi forbedrer løbende AutoNAC, så det altid vil give udviklere mulighed for at opnå de mest kraftfulde modeller, der bryder den effektive grænse."

Deci blev udnævnt af Hewlett Packard Enterprise (HPE) som medlem af deres teknologipartnerprogram for at fremskynde AI-innovation, og det blev inkluderet i 2021 CB Insights AI 100-liste som en top accelerator for dyb læring. AutoNAC-teknologien implementeres på tværs af industrier i produktionsmiljøer.