Decis billedklassifikationsmodeller opdaget med langt mindre beregningskraft end førende teknologi

Det dybe læringsselskab Deci, der har til formål at udnytte AI til at bygge AI, har annonceret opdagelsen af billedklassifikationsmodeller kaldet DeciNets. De blev opdaget gennem Decis proprietære Automated Neural Architecture Construction (AutoNAC)-teknologi, og det krævede to størrelsesordener mindre beregningskraft end Google (GOOGL ) -skala Neural Architecture Search (NAS)-teknologier. NAS-teknologierne blev tidligere brugt til at opdage neurale arkitekturer som EfficientNet.

Der har været en øget tilbøjelighed til større dybe læringmodeller med øgende algoritmemæssig kompleksitet, som 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 dybe læringmodeller.

Alternative muligheder for udviklere

Men disse modeller er ikke ideelle for kosteffektive inferensoperationer i produktion. NAS kan spille en rol i automatiseringen af designet af mere effektive kunstige neurale netværk, som kan overgå manuelt designede arkitekturer, men de kræver betydelige ressourcer. De virksomheder, der har kunnet implementere NAS med succes, er ofte massive teknologivirksomheder som Google og Microsoft (MSFT ), så det er ikke en realistisk mulighed for de fleste udviklere.

Deci har søgt at løse dette problem ved at udvikle AutoNAC, som er den første kommercielt viable NAS. Det giver udviklere mulighed for automatisk at designe og bygge dybe læringmodeller, der kan overgå andre top-arkitekturer. Udviklere kan angive parametre for bestemte opgaver, såsom klassifikation og detektion, og de kan anvende AutoNAC på deres dataset, hvilket giver dem mulighed for at få optimale modeller, der er klar til produktion i stor skala.

En anden unik aspekt af AutoNAC er, at det er hardware-bevidst. Med andre ord kan det opnå maksimal ydeevne ud af enhver hardware og implementere modeller i en række miljøer, såsom cloud, edge og mobile.

Yonatan Geifman er medstifter og administrerende direktør for Deci.

“Dybe læring er det, der driver den næste generation af computing – uden højere præsterende og mere effektive modeller, der kan køre på enhver hardware, vil forbruger teknologier, 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 frigøre en ny æra af innovation, og giver udviklere de værktøjer, der er nødvendige for at omdanne ideer til revolutionerende produkter.”

AutoNAC blev anvendt på flere opgaver for at optimere modeller over forskellige inferensprocessorer, såsom NVIDIA’s (NVDA ) T4 GPU og NVIDIA’s Jetson Xavier NX edge GPU. AutoNAC opdagede DeciNets til billedklassifikation ved hjælp af standard ImageNet benchmark-dataset.

Overgår andre platforme

Deci demonstrerede evnen til at overgå andre platforme og bruge langt mindre beregning, når de genererede deres DeciNet, hvilket betyder, at udviklere ikke behøver tungt udstyr i processen. DeciNets kunne overgå enhver kendt open-source neuralt netværk på markedet, såsom EfficientNets og MobileNets.

Prof. Ran El-Yaniv er medstifter og chief scientist for Deci.

“AutoNAC opdagede nogle af de bedste klassifikations- og detektionsmodeller til dato,” sagde Prof. Ran El-Yaniv. “Men vi stopper ikke der; vores teknologi kan bruges til enhver dyb læringopgave, enten det er syn eller Natural Language Processing (NLP), og for enhver målbart optimeringsformål. Vi forbedrer løbende AutoNAC, så det altid giver udviklere mulighed for at få de mest kraftfulde modeller, der bryder den effektive grænse.”

Deci blev navngivet af Hewlett Packard Enterprise (HPE ) (HPE) som medlem af deres Technology Partner Program for at accelerere AI-innovation, og det blev inkluderet i 2021 CB Insights AI 100 Liste som en top dyb læring accelerator. AutoNAC-teknologien implementeres på tværs af industrier i produktionsmiljøer.