ປັນຍາປະດິດ

ຮູບແບບການຈັດປະເພດຮູບພາບຂອງ Deci ຄົ້ນພົບໂດຍໃຊ້ພະລັງງານຄອມພິວເຕີ້ຫນ້ອຍກວ່າເຕັກໂນໂລຢີຊັ້ນນໍາ

ການປັບປຸງ on ເດືອນທັນວາ 9, 2022

ບໍລິສັດການຮຽນຮູ້ເລິກ ເດຊີ, ເຊິ່ງມີຈຸດປະສົງເພື່ອໃຊ້ AI ເພື່ອສ້າງ AI, ໄດ້ປະກາດການຄົ້ນພົບຮູບແບບການຈັດປະເພດຮູບພາບທີ່ເອີ້ນວ່າ DeciNets. ພວກເຂົາເຈົ້າໄດ້ຖືກຄົ້ນພົບໂດຍຜ່ານເຕັກໂນໂລຊີການກໍ່ສ້າງລະບົບປະສາດອັດຕະໂນມັດທີ່ເປັນເຈົ້າຂອງ Deci (AutoNAC), ແລະມັນໃຊ້ເວລາສອງຄໍາສັ່ງຂອງພະລັງງານຄອມພິວເຕີຫນ້ອຍກ່ວາເຕັກໂນໂລຊີຄົ້ນຫາສະຖາປັດຕະຍະປະສາດ neural ຂອງ Google (NAS). ເທກໂນໂລຍີ NAS ໄດ້ຖືກນໍາໃຊ້ໃນເມື່ອກ່ອນເພື່ອຄົ້ນພົບສະຖາປັດຕະຍະກໍາ neural ເຊັ່ນ EfficientNet.

ມີການຊຸກຍູ້ທີ່ເພີ່ມຂຶ້ນສໍາລັບແບບຈໍາລອງການຮຽນຮູ້ເລິກທີ່ໃຫຍ່ກວ່າທີ່ມີຄວາມສັບສົນ algorithmic ເພີ່ມຂຶ້ນ, ເຊິ່ງເກີດມາຈາກຄວາມປາຖະຫນາສໍາລັບການປັບປຸງຄວາມຖືກຕ້ອງແລະການປະຕິບັດກັບວຽກງານການຄາດຄະເນທີ່ສັບສົນຫຼາຍ. ການມີຢູ່ຂອງຮາດແວທີ່ມີປະສິດທິພາບກວ່າ ແລະຂໍ້ມູນໃຫຍ່ໄດ້ນຳໄປສູ່ຮູບແບບການຮຽນຮູ້ອັນເລິກເຊິ່ງໃໝ່ເຫຼົ່ານີ້.

ທາງເລືອກທາງເລືອກສໍາລັບນັກພັດທະນາ

ຢ່າງໃດກໍຕາມ, ຮູບແບບເຫຼົ່ານີ້ແມ່ນບໍ່ເຫມາະສົມສໍາລັບການດໍາເນີນງານ inference ຄ່າໃຊ້ຈ່າຍປະສິດທິພາບໃນການຜະລິດ. NAS ສາມາດມີບົດບາດໃນການອອກແບບອັດຕະໂນມັດຂອງເຄືອຂ່າຍ neural ທຽມທີ່ມີປະສິດຕິຜົນຫຼາຍຂຶ້ນ, ເຊິ່ງສາມາດປະຕິບັດໄດ້ດີກວ່າສະຖາປັດຕະຍະກໍາທີ່ອອກແບບດ້ວຍຕົນເອງ, ແຕ່ພວກເຂົາຕ້ອງການຊັບພະຍາກອນທີ່ສໍາຄັນ. ບໍລິສັດທີ່ສາມາດປະຕິບັດ NAS ໄດ້ຢ່າງສໍາເລັດຜົນແມ່ນມັກຈະເປັນອົງການຈັດຕັ້ງເຕັກໂນໂລຢີຂະຫນາດໃຫຍ່ເຊັ່ນ Google ແລະ Microsoft, ດັ່ງນັ້ນມັນບໍ່ແມ່ນທາງເລືອກທີ່ເປັນໄປໄດ້ສໍາລັບນັກພັດທະນາສ່ວນໃຫຍ່.

Deci ວາງອອກເພື່ອແກ້ໄຂບັນຫານີ້ໂດຍການພັດທະນາ AutoNAC, ເຊິ່ງເປັນ NAS ທໍາອິດທີ່ມີການຄ້າ. ມັນອະນຸຍາດໃຫ້ຜູ້ພັດທະນາອອກແບບອັດຕະໂນມັດແລະສ້າງແບບຈໍາລອງການຮຽນຮູ້ເລິກທີ່ສາມາດປະຕິບັດໄດ້ດີກວ່າສະຖາປັດຕະຍະກໍາຊັ້ນນໍາອື່ນໆ. ນັກພັດທະນາສາມາດກໍານົດພາລາມິເຕີສໍາລັບວຽກງານສະເພາະ, ເຊັ່ນ: ການຈັດປະເພດແລະການຊອກຄົ້ນຫາ, ແລະເຂົາເຈົ້າສາມາດນໍາໃຊ້ AutoNAC ກັບຊຸດຂໍ້ມູນຂອງພວກເຂົາ, ເຮັດໃຫ້ມັນສາມາດໄດ້ຮັບຮູບແບບທີ່ເຫມາະສົມກັບການຜະລິດໃນລະດັບຂະຫນາດ.

ລັກສະນະທີ່ເປັນເອກະລັກອີກອັນຫນຶ່ງຂອງ AutoNAC ແມ່ນວ່າມັນເປັນຮາດແວ-aware. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນສາມາດບັນລຸປະສິດທິພາບສູງສຸດຈາກຮາດແວໃດໆແລະນໍາໃຊ້ຕົວແບບໃນສະພາບແວດລ້ອມຕ່າງໆ, ເຊັ່ນ: cloud, edge, ແລະມືຖື.

Yonatan Geifman ແມ່ນຜູ້ຮ່ວມກໍ່ຕັ້ງແລະ CEO ຂອງ Deci.

Geifman ກ່າວວ່າ "ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນການໃຫ້ພະລັງງານຂອງຄອມພິວເຕີ້ລຸ້ນຕໍ່ໄປ - ໂດຍບໍ່ມີຕົວແບບທີ່ມີປະສິດທິພາບສູງແລະມີປະສິດທິພາບທີ່ເຮັດວຽກຢູ່ໃນຮາດແວໃດໆ, ເຕັກໂນໂລຢີຂອງຜູ້ບໍລິໂພກທີ່ພວກເຮົາໄດ້ຮັບປະຈໍາວັນຈະບັນລຸອຸປະສັກ," Geifman ເວົ້າ. "ວິທີການ 'AI ທີ່ສ້າງ AI' ຂອງ Deci ແມ່ນສໍາຄັນໃນການປົດລັອກແບບຈໍາລອງທີ່ຈໍາເປັນເພື່ອປົດປ່ອຍຍຸກໃຫມ່ຂອງນະວັດຕະກໍາ, ສ້າງຄວາມເຂັ້ມແຂງໃຫ້ແກ່ນັກພັດທະນາດ້ວຍເຄື່ອງມືທີ່ຈໍາເປັນເພື່ອຫັນປ່ຽນແນວຄວາມຄິດໄປສູ່ຜະລິດຕະພັນປະຕິວັດ."

AutoNAC ໄດ້ຖືກນຳໃຊ້ໃນຫຼາຍໜ້າວຽກເພື່ອປັບແຕ່ງຕົວແບບຫຼາຍກວ່າໂປຣເຊສເຊີ inference ຕ່າງໆ ເຊັ່ນ: GPU T4 ຂອງ NVIDIA ແລະ Jetson Xavier NX edge GPU ຂອງ NVIDIA. AutoNAC ຄົ້ນພົບ DeciNets ສໍາລັບການຈັດປະເພດຮູບພາບໂດຍໃຊ້ຊຸດຂໍ້ມູນມາດຕະຖານ ImageNet benchmark.

ປະຕິບັດໄດ້ດີກວ່າເວທີອື່ນໆ

Deci ສະແດງໃຫ້ເຫັນຄວາມສາມາດໃນການປະຕິບັດຫຼາຍກວ່າເວທີອື່ນໆແລະນໍາໃຊ້ການຄິດໄລ່ຫນ້ອຍລົງໃນເວລາທີ່ສ້າງ DeciNet ຂອງມັນ, ຊຶ່ງຫມາຍຄວາມວ່ານັກພັດທະນາບໍ່ຕ້ອງການຊັບພະຍາກອນຢ່າງຫນັກໃນຂະບວນການ. DeciNets ສາມາດປະຕິບັດໄດ້ຫຼາຍກວ່າແຫຼ່ງ neural net ທີ່ຮູ້ຈັກທີ່ມີຢູ່ໃນຕະຫຼາດ, ເຊັ່ນ EfficientNets ແລະ MobileNets.

ສາດສະດາຈານ Ran El-Yaniv ເປັນຜູ້ຮ່ວມກໍ່ຕັ້ງ ແລະ ຫົວໜ້ານັກວິທະຍາສາດຂອງ Deci.

ສາດສະດາຈານ Ran El-Yaniv ກ່າວວ່າ "AutoNAC ຄົ້ນພົບບາງຮູບແບບການຈັດປະເພດແລະການກວດຫາທີ່ດີທີ່ສຸດຈົນເຖິງປະຈຸບັນ." “ແຕ່ພວກເຮົາຈະບໍ່ຢຸດຢູ່ທີ່ນັ້ນ; ເທັກໂນໂລຢີຂອງພວກເຮົາສາມາດນຳໃຊ້ສຳລັບວຽກງານການຮຽນຮູ້ເລິກເຊິ່ງບໍ່ວ່າຈະເປັນວິໄສທັດ ຫຼື ການປະມວນຜົນພາສາທຳມະຊາດ (NLP), ແລະສຳລັບທຸກເປົ້າໝາຍການເພີ່ມປະສິດທິພາບທີ່ສາມາດວັດແທກໄດ້. ພວກເຮົາປັບປຸງ AutoNAC ຢ່າງຕໍ່ເນື່ອງເພື່ອໃຫ້ຜູ້ພັດທະນາສາມາດໄດ້ຮັບຕົວແບບທີ່ມີປະສິດທິພາບທີ່ສຸດທີ່ທໍາລາຍຊາຍແດນທີ່ມີປະສິດທິພາບ.

Deci ຖືກຕັ້ງຊື່ໂດຍ Hewlett Packard Enterprise (HPE) ເປັນສະມາຊິກຂອງໂຄງການຄູ່ຮ່ວມງານດ້ານເຕັກໂນໂລຢີຂອງພວກເຂົາເພື່ອເລັ່ງການປະດິດສ້າງ AI, ແລະມັນຖືກລວມເຂົ້າໃນ 2021 CB Insights AI 100 ລາຍການ ເປັນຕົວເລັ່ງການຮຽນຮູ້ເລິກອັນດັບຕົ້ນໆ. ເຕັກໂນໂລຢີ AutoNAC ກໍາລັງຖືກປະຕິບັດໃນທົ່ວອຸດສາຫະກໍາໃນສະພາບແວດລ້ອມການຜະລິດ.