AI-modellen en platforms
Deci’s Beeldclassificatiemodellen Ontdekt Met Veel Minder Rekenkracht Dan Leidende Tech
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Het deep learning-bedrijf Deci, dat zich richt op het inzetten van AI om AI te bouwen, heeft de ontdekking aangekondigd van beeldclassificatiemodellen genaamd DeciNets. Zij werden ontdekt met behulp van Deci’s eigen Automated Neural Architecture Construction (AutoNAC)-technologie, en het kostte twee grootteordes minder rekenkracht dan Google (GOOGL ) -schaal Neural Architecture Search (NAS)-technologieën. De NAS-technologieën werden eerder gebruikt om neurale architectuur te ontdekken zoals EfficientNet.
Er is een toename van grotere deep learning-modellen met toenemende algoritmische complexiteit, wat voortkomt uit de wens om de nauwkeurigheid en prestaties te verbeteren bij complexe voorspellings taken. De beschikbaarheid van krachtigere hardware en big data heeft ook geleid tot deze nieuwe deep learning-modellen.
Alternatieve Opties voor Ontwikkelaars
Echter, deze modellen zijn niet ideaal voor kosteneffectieve inferentiebewerkingen in productie. NAS kan een rol spelen bij het automatiseren van het ontwerp van meer effectieve kunstmatige neurale netwerken, die beter kunnen presteren dan handmatig ontworpen architectuur, maar ze vereisen aanzienlijke middelen. De bedrijven die erin zijn geslaagd om NAS met succes te implementeren, zijn vaak enorme technologiebedrijven zoals Google en Microsoft (MSFT ), dus het is geen haalbare optie voor de meeste ontwikkelaars.
Deci heeft deze problemen proberen op te lossen door AutoNAC te ontwikkelen, dat de eerste commercieel haalbare NAS is. Het stelt ontwikkelaars in staat om deep learning-modellen automatisch te ontwerpen en te bouwen die beter kunnen presteren dan andere toparchitectuur. Ontwikkelaars kunnen parameters instellen voor specifieke taken, zoals classificatie en detectie, en ze kunnen AutoNAC toepassen op hun dataset, waardoor ze geoptimaliseerde modellen kunnen verkrijgen die klaar zijn voor productie op grote schaal.
Een ander uniek aspect van AutoNAC is dat het hardware-georiënteerd is. Met andere woorden, het kan de maximale prestaties behalen uit elke hardware en modellen implementeren in verschillende omgevingen, zoals cloud, edge en mobiel.
Yonatan Geifman is medeoprichter en CEO van Deci.
“Deep learning is de volgende generatie van computing die zonder hogere prestaties en efficiëntere modellen die naadloos op elke hardware draaien, consumententechnologieën die we elke dag voor vanzelfsprekend houden, een barrière zullen bereiken”, zei Geifman. “Deci’s ‘AI die AI bouwt’-aanpak is cruciaal om de modellen te ontgrendelen die nodig zijn om een nieuwe era van innovatie los te laten, ontwikkelaars te voorzien van de tools die nodig zijn om ideeën om te zetten in revolutionaire producten.”
AutoNAC werd toegepast op verschillende taken om modellen te optimaliseren over verschillende inferentieprocessors, zoals NVIDIA’s (NVDA ) T4 GPU en NVIDIA’s Jetson Xavier NX edge GPU. AutoNAC ontdekte DeciNets voor beeldclassificatie met behulp van de standaard ImageNet-benchmarkdataset.
Beter dan Andere Platforms
Deci heeft aangetoond dat het andere platforms kan overtreffen en veel minder berekening gebruikt bij het genereren van zijn DeciNet, wat betekent dat ontwikkelaars geen zware middelen nodig hebben in het proces. DeciNets konden elke bekende open-source neurale netwerken op de markt overtreffen, zoals EfficientNets en MobileNets.
Prof. Ran El-Yaniv is medeoprichter en Chief Scientist van Deci.
“AutoNAC ontdekte enkele van de beste classificatie- en detectiemodellen tot nu toe”, zei Prof. Ran El-Yaniv. “Maar we stoppen daar niet; onze technologie kan worden gebruikt voor elke deep learning-taak, of het nu visie of Natural Language Processing (NLP) is, en voor elk meetbaar optimalisatieobjectief. We verbeteren AutoNAC continu zodat het ontwikkelaars altijd in staat stelt om de meest krachtige modellen te verkrijgen die de efficiënte grens doorbreken.”
Deci is door Hewlett Packard Enterprise (HPE ) (HPE) benoemd als lid van hun Technology Partner Program om AI-innovatie te versnellen, en het is opgenomen in de 2021 CB Insights AI 100-lijst als een van de top deep learning-accelerators. De AutoNAC-technologie wordt geïmplementeerd in productieomgevingen in verschillende industrieën.
