Decin kuvien luokittelumallit löydetty käyttäen huomattavasti vähemmän laskentatehoa kuin johtavat teknologiat

Syvän oppimisen yritys Deci, joka pyrkii hyödyntämään tekoälyä tekoälyn rakentamiseen, on ilmoittanut kuvien luokittelumallien löytämisestä, jotka kutsutaan DeciNetsiksi. Ne löydettiin Decin omistaman Automated Neural Architecture Construction (AutoNAC) -teknologian avulla, ja se vaati kaksi kertaluokkaa vähemmän laskentatehoa kuin Google (GOOGL ) -asteen Neural Architecture Search (NAS) -teknologiat. NAS-teknologioita oli aiemmin käytetty löytämään neuroverkkorakenteita, kuten EfficientNet.

On ollut kasvava tarve suuremmille syvän oppimisen malleille, joilla on lisääntynyt algoritmien monimutkaisuus, joka johtuu paremman tarkin ja suorituskyvyn toivomuksesta monimutkaisemmissa ennustustehtävissä. Voimakkaampien laitteiden ja suuren datan saatavuus on myös johtanut näihin uusiin syvän oppimisen malleihin.

Vaihtoehtoiset vaihtoehdot kehittäjille

Nämä mallit eivät kuitenkaan ole ihanteellisia kustannustehokkaille inferenssitoimille tuotannossa. NAS voi auttaa automatisoimalla tehokkaampien tekoälyverkkorakenteiden suunnittelua, jotka voivat suorittaa paremmin kuin käsin suunnitellut arkkitehtuurit, mutta ne vaativat merkittäviä resursseja. Yritykset, jotka ovat onnistuneet NAS:n toteuttamisessa, ovat usein valtavat teknologiayritykset, kuten Google ja Microsoft (MSFT ), joten se ei ole toteutettavissa useimpien kehittäjien kannalta.

Deci pyrki korjaamaan tämän ongelman kehittämällä AutoNACin, joka on ensimmäinen kaupallinen NAS. Se sallii kehittäjien automaattisesti suunnitella ja rakentaa syvän oppimisen malleja, jotka voivat suorittaa paremmin kuin muut huipputasoiset arkkitehtuurit. Kehittäjät voivat määritellä parametreja tiettyihin tehtäviin, kuten luokitteluun ja havaitsemiseen, ja he voivat soveltaa AutoNACia omiin tietoihinsa, mahdollistaen heidän saada optimoidut mallit valmiina tuotantoon suurella mittakaavalla.

AutoNACin toinen ainutlaatuinen ominaisuus on, että se on laitteistotietoinen. Toisin sanoen se voi saavuttaa maksimaalisen suorituskyvyn minkä tahansa laitteiston kanssa ja käyttää malleja useissa ympäristöissä, kuten pilvessä, reunassa ja mobiilissa.

Yonatan Geifman on Decin perustaja ja toimitusjohtaja.

“Syvän oppiminen mahdollistaa seuraavan sukupolven laskentaa – ilman paremmin suorittavia ja tehokkaampia malleja, jotka suorittavat kaikilla laitteilla, jokapäiväiset kuluttajateknologiat tulevat kohtaamaan esteen”, sanoi Geifman. “Decin ‘tekoäly, joka rakentaa tekoälyä’ -lähestymistapa on ratkaiseva avain lukitun mallien avaamiseen, joita tarvitaan uuden innovaation aikakauden avaamiseen, ja antaa kehittäjille työkalut vallankumouksellisten tuotteiden luomiseen.”

AutoNACia sovellettiin useisiin tehtäviin optimoidakseen malleja eri inferenssiprosessoreiden yli, kuten NVIDIA (NVDA ):n T4 GPU:lle ja NVIDIA:n Jetson Xavier NX -reunaprosessorille. AutoNAC löysi DeciNets-kuvien luokittelumalleja käyttäen standardin ImageNet-benchmark-tietojoukkoa.

Ylittäen muut alustat

Deci osoitti kykynsä ylittää muut alustat ja käyttää huomattavasti vähemmän laskentatehoa DeciNetin generoimiseen, mikä tarkoittaa, että kehittäjien ei tarvitse käyttää raskaita resursseja prosessissa. DeciNets pystyivät ylittämään kaikki tunnetut avoimet neuroverkkomallit markkinoilla, kuten EfficientNetsit ja MobileNetsit.

Prof. Ran El-Yaniv on Decin perustaja ja pääasiantuntija.

“AutoNAC löysi joitakin parhaimmista luokittelu- ja havaintamalleista tähän asti”, sanoi Prof. Ran El-Yaniv. “Mutta emme lopeta siinä; teknologiamme voidaan käyttää mihin tahansa syvän oppimisen tehtävään, olipa se visio- tai luonnollisen kielen prosessointi, ja jokaiselle mitattavalle optimointitarkoitukseen. Jatkamme AutoNACin parantamista, jotta se aina sallii kehittäjien saada käsiinsä tehokkaimmat mallit, jotka rikkovat tehokkuuden rajoja.”

Deci valittiin Hewlett Packard Enterprisen (HPE) teknologia kumppani ohjelmaan tekoälyn innovaatioiden nopeuttamiseksi, ja se sisällytettiin 2021 CB Insights AI 100 -listalle yhtenä johtavista syvän oppimisen kiihdyttimistä. AutoNAC-tekniikkaa käytetään jo tuotantoympäristöissä useilla aloilla.