Model Klasifikasi Gambar Deci Ditemukan Menggunakan Daya Komputasi Jauh Lebih Sedikit Daripada Teknologi Terdepan

Perusahaan pembelajaran mendalam keputusan, yang bertujuan memanfaatkan AI untuk membangun AI, telah mengumumkan penemuan model klasifikasi gambar yang disebut DeciNets. Mereka ditemukan melalui teknologi Automated Neural Architecture Construction (AutoNAC) milik Deci, dan membutuhkan daya komputasi dua kali lipat lebih sedikit daripada teknologi Neural Architecture Search (NAS) skala Google. Teknologi NAS sebelumnya digunakan untuk menemukan arsitektur saraf seperti EfficientNet.

Ada dorongan yang meningkat untuk model deep learning yang lebih besar dengan kompleksitas algoritmik yang meningkat, yang berasal dari keinginan untuk meningkatkan akurasi dan kinerja dengan tugas prediksi yang lebih kompleks. Ketersediaan perangkat keras dan data besar yang lebih kuat juga telah menghasilkan model pembelajaran mendalam yang baru ini. 

Opsi Alternatif untuk Pengembang

Namun, model ini tidak ideal untuk operasi inferensi yang hemat biaya dalam produksi. NAS dapat berperan dalam mengotomatisasi desain jaringan saraf tiruan yang lebih efektif, yang dapat mengungguli arsitektur yang dirancang secara manual, namun memerlukan sumber daya yang signifikan. Perusahaan yang berhasil mengimplementasikan NAS seringkali merupakan organisasi teknologi besar seperti Google dan Microsoft, sehingga ini bukanlah pilihan yang tepat bagi sebagian besar pengembang.

Deci memutuskan untuk mengatasi masalah ini dengan mengembangkan AutoNAC, yang merupakan NAS komersial pertama yang layak. Ini memungkinkan pengembang untuk merancang dan membangun model pembelajaran mendalam secara otomatis yang dapat mengungguli arsitektur teratas lainnya. Pengembang dapat menetapkan parameter untuk tugas tertentu, seperti klasifikasi dan deteksi, dan mereka dapat menerapkan AutoNAC ke kumpulan data mereka, memungkinkan mereka mendapatkan model optimal yang siap untuk produksi dalam skala besar. 

Aspek unik lain dari AutoNAC adalah perangkat kerasnya sadar. Dengan kata lain, ini dapat mencapai kinerja maksimal dari perangkat keras apa pun dan menerapkan model di berbagai lingkungan, seperti cloud, edge, dan seluler.

Yonatan Geifman adalah salah satu pendiri dan CEO Deci. 

“Pembelajaran mendalam menggerakkan komputasi generasi berikutnya- tanpa model yang berkinerja lebih tinggi dan lebih efisien yang berjalan mulus di perangkat keras apa pun, teknologi konsumen yang kita anggap remeh setiap hari akan mencapai penghalang,” kata Geifman. “Pendekatan 'AI yang membangun AI' dari Deci sangat penting dalam membuka kunci model yang diperlukan untuk melepaskan era inovasi baru, memberdayakan pengembang dengan alat yang diperlukan untuk mengubah ide menjadi produk revolusioner.” 

AutoNAC diterapkan pada beberapa tugas untuk mengoptimalkan model pada berbagai prosesor inferensi, seperti GPU T4 NVIDIA dan GPU tepi Jetson Xavier NX NVIDIA. AutoNAC menemukan DeciNets untuk klasifikasi gambar menggunakan kumpulan data benchmark ImageNet standar. 

Mengungguli Platform Lain

Deci mendemonstrasikan kemampuan untuk mengungguli platform lain dan menggunakan komputasi yang jauh lebih sedikit saat menghasilkan DeciNet-nya, yang berarti pengembang tidak memerlukan sumber daya yang berat dalam prosesnya. DeciNets mampu mengungguli jaringan saraf sumber terbuka mana pun yang tersedia di pasar, seperti EfficientNets dan MobileNets. 

Prof. Ran El-Yaniv adalah salah satu pendiri dan Kepala Ilmuwan Deci. 

“AutoNAC menemukan beberapa model klasifikasi dan deteksi terbaik hingga saat ini,” kata Prof Ran El-Yaniv. “Tetapi kami tidak akan berhenti di situ; teknologi kami dapat digunakan untuk tugas pembelajaran mendalam apa pun baik itu visi atau Pemrosesan Bahasa Alami (NLP), dan untuk setiap tujuan pengoptimalan yang terukur. Kami terus meningkatkan AutoNAC sehingga selalu memungkinkan pengembang untuk mendapatkan model paling kuat yang mendobrak batas efisien.”

Deci ditunjuk oleh Hewlett Packard Enterprise (HPE) sebagai anggota Program Mitra Teknologi mereka untuk mempercepat inovasi AI, dan itu termasuk dalam Daftar 2021 CB Wawasan AI 100 sebagai akselerator pembelajaran mendalam teratas. Teknologi AutoNAC diterapkan di seluruh industri di lingkungan produksi.