Откриени моделите за класификација на слики на Deci со многу помала компјутерска моќ од водечката технологија

Компанија за длабоко учење Деци, која има за цел да ја искористи вештачката интелигенција за да изгради вештачка интелигенција, го објави откривањето на моделите за класификација на слики наречени DeciNets. Тие беа откриени преку комерцијалната технологија за автоматизирана невронска архитектура (AutoNAC) на Deci, и ѝ беа потребни два реда помала пресметковна моќ од технологиите за пребарување на невронска архитектура (NAS) во размер на Google. Технологиите на NAS претходно беа користени за откривање на нервните архитектури како EfficientNet.

Има зголемен притисок за поголеми модели за длабоко учење со зголемена алгоритамска сложеност, што произлегува од желбата за подобрена точност и перформанси со посложени задачи за предвидување. Достапноста на помоќен хардвер и големи податоци, исто така, доведе до овие нови модели за длабоко учење. 

Алтернативни опции за програмери

Сепак, овие модели не се идеални за економични операции за заклучување во производството. NAS може да игра улога во автоматизирањето на дизајнот на поефикасни вештачки невронски мрежи, кои можат да ги надминат рачно дизајнираните архитектури, но тие бараат значителни ресурси. Компаниите кои успеаја успешно да го имплементираат NAS се често масивни технолошки организации како Google и Microsoft, така што тоа не е остварлива опција за повеќето програмери.

Деци тргна да го реши овој проблем со развивање на AutoNAC, кој е првиот комерцијално остварлив NAS. Тоа им овозможува на програмерите автоматски да дизајнираат и градат модели за длабоко учење кои можат да ги надминат другите врвни архитектури. Програмерите можат да постават параметри за специфични задачи, како што се класификација и откривање, и тие можат да го применат AutoNAC на нивната база на податоци, овозможувајќи им да добијат оптимизирани модели подготвени за производство во обем. 

Друг уникатен аспект на AutoNAC е тоа што е свесен за хардверот. Со други зборови, може да постигне максимални перформанси од кој било хардвер и да распореди модели во различни средини, како што се облак, раб и мобилни.

Јонатан Гајфман е ко-основач и извршен директор на Deci. 

„Длабокото учење ја напојува следната генерација на компјутери - без модели со повисоки перформанси и поефикасни кои беспрекорно работат на кој било хардвер, технологиите за потрошувачи што ги земаме здраво за готово секојдневно ќе достигнат бариера“, рече Гајфман. „Пристапот „АИ што ја гради вештачката интелигенција“ на Деци е од клучно значење за отклучување на моделите потребни за ослободување на нова ера на иновации, овластувајќи ги програмерите со алатките потребни за трансформирање на идеите во револуционерни производи. 

AutoNAC беше применет на неколку задачи за да се оптимизираат моделите преку различни процесори за заклучување, како што се графичкиот процесор T4 на NVIDIA и графичкиот процесор Jetson Xavier NX Edge на NVIDIA. AutoNAC откри DeciNets за класификација на слики користејќи ја стандардната база на податоци за репер ImageNet. 

Надминувајќи ги другите платформи

Deci покажа способност да ги надмине другите платформи и да користи многу помалку пресметки кога го генерира својот DeciNet, што значи дека на програмерите не им требаат тешки ресурси во процесот. DeciNets беа во можност да ги надминат сите познати нервни мрежи со отворен код достапни на пазарот, како што се EfficientNets и MobileNets. 

Проф. Ран Ел-Јанив е ко-основач и главен научник на Деци. 

„AutoNAC откри некои од најдобрите модели за класификација и детекција досега“, рече проф. Ран Ел-Јанив. „Но, нема да застанеме тука; нашата технологија може да се користи за секоја задача за длабоко учење, било да е тоа визија или обработка на природен јазик (NLP), и за секоја мерлива оптимизациска цел. Постојано го подобруваме AutoNAC, така што секогаш ќе им овозможи на програмерите да ги добијат најмоќните модели кои ја пробиваат ефикасната граница“.

Deci беше именуван од Hewlett Packard Enterprise (HPE) како членка на нивната Технолошка партнерска програма за забрзување на иновациите со вештачка интелигенција, и беше вклучена во 2021 CB Insights AI 100 Список како врвен акцелератор за длабоко учење. Технологијата AutoNAC се имплементира низ индустриите во производствени средини.