Les modèles de classification d’images de Deci découverts en utilisant beaucoup moins de puissance de calcul que les principales technologies

L’entreprise de deep learning Deci, qui vise à exploiter l’IA pour construire l’IA, a annoncé la découverte de modèles de classification d’images appelés DeciNets. Ils ont été découverts grâce à la technologie propriétaire d’Automated Neural Architecture Construction (AutoNAC) de Deci, et cela a nécessité deux ordres de grandeur moins de puissance de calcul que les technologies de recherche d’architecture neuronale de Google (NAS). Les technologies NAS étaient précédemment utilisées pour découvrir des architectures neuronales comme EfficientNet.

Il y a eu une poussée accrue pour des modèles d’apprentissage profond plus importants avec une complexité algorithmique croissante, ce qui découle du désir d’une précision et d’une performance améliorées pour des tâches de prédiction plus complexes. La disponibilité de matériel plus puissant et de grandes quantités de données a également conduit à ces nouveaux modèles d’apprentissage profond.

Options alternatives pour les développeurs

Cependant, ces modèles ne sont pas idéaux pour des opérations d’inférence rentables en production. La NAS pourrait jouer un rôle dans l’automatisation de la conception de réseaux de neurones artificiels plus efficaces, qui peuvent surpasser les architectures conçues manuellement, mais elles nécessitent des ressources importantes. Les entreprises qui ont pu mettre en œuvre avec succès la NAS sont souvent des organisations technologiques massives comme Google et Microsoft, il n’est donc pas une option viable pour la plupart des développeurs.

Deci a cherché à remédier à ce problème en développant AutoNAC, qui est la première NAS commercialement viable. Elle permet aux développeurs de concevoir et de construire automatiquement des modèles d’apprentissage profond qui peuvent surpasser d’autres architectures de pointe. Les développeurs peuvent définir des paramètres pour des tâches spécifiques, telles que la classification et la détection, et ils peuvent appliquer AutoNAC à leur ensemble de données, leur permettant d’obtenir des modèles optimisés prêts pour la production à grande échelle.

Un autre aspect unique d’AutoNAC est qu’il est conscient du matériel. En d’autres termes, il peut atteindre des performances maximales sur n’importe quel matériel et déployer des modèles dans divers environnements, tels que le cloud, le bord et les appareils mobiles.

Yonatan Geifman est co-fondateur et PDG de Deci.

« L’apprentissage profond est le moteur de la prochaine génération de l’informatique – sans des modèles plus performants et plus efficaces qui s’exécutent sans problème sur n’importe quel matériel, les technologies de consommation que nous prenons pour acquis tous les jours atteindront une barrière », a déclaré Geifman. « L’approche « d’IA qui construit l’IA » de Deci est cruciale pour débloquer les modèles nécessaires pour déclencher une nouvelle ère d’innovation, en dotant les développeurs des outils nécessaires pour transformer les idées en produits révolutionnaires. »

AutoNAC a été appliqué à plusieurs tâches pour optimiser les modèles sur divers processeurs d’inférence, tels que la carte graphique T4 NVIDIA et la carte graphique Jetson Xavier NX NVIDIA. AutoNAC a découvert DeciNets pour la classification d’images en utilisant l’ensemble de données de référence ImageNet standard.

Performances supérieures aux autres plateformes

Deci a démontré sa capacité à surpasser d’autres plateformes et à utiliser beaucoup moins de calcul pour générer son DeciNet, ce qui signifie que les développeurs n’ont pas besoin de ressources lourdes dans le processus. Les DeciNets ont pu surpasser n’importe quel filet neuronal open-source connu sur le marché, tel que EfficientNets et MobileNets.

Le professeur Ran El-Yaniv est co-fondateur et scientifique en chef de Deci.

« AutoNAC a découvert certains des meilleurs modèles de classification et de détection à ce jour », a déclaré le professeur Ran El-Yaniv. « Mais nous n’allons pas nous arrêter là ; notre technologie peut être utilisée pour n’importe quelle tâche d’apprentissage profond, qu’il s’agisse de vision ou de traitement du langage naturel (NLP), et pour chaque objectif d’optimisation mesurable. Nous améliorons continuellement AutoNAC afin qu’il permette toujours aux développeurs d’obtenir les modèles les plus puissants qui brisent la frontière efficace. »

Deci a été nommé par Hewlett Packard Enterprise (HPE) en tant que membre de son programme de partenaires technologiques pour accélérer l’innovation de l’IA, et il a été inclus dans la liste CB Insights AI 100 de 2021 en tant que l’un des principaux accélérateurs d’apprentissage profond. La technologie AutoNAC est mise en œuvre dans diverses industries en environnements de production.