Decis bildeklassifiseringsmodeller oppdaget med langt mindre datakraft enn ledende teknologi

Deep learning selskap Her, som har som mål å utnytte AI for å bygge AI, har annonsert oppdagelsen av bildeklassifiseringsmodeller kalt DeciNets. De ble oppdaget gjennom Decis proprietære Automated Neural Architecture Construction (AutoNAC) teknologi, og det tok to størrelsesordener mindre datakraft enn Google-skala Neural Architecture Search (NAS) teknologier. NAS-teknologiene ble tidligere brukt til å oppdage nevrale arkitekturer som EfficientNet.

Det har vært et økt press for større dyplæringsmodeller med økende algoritmisk kompleksitet, som stammer fra ønsket om forbedret nøyaktighet og ytelse med mer komplekse prediksjonsoppgaver. Tilgjengeligheten av kraftigere maskinvare og big data har også ført til disse nye dyplæringsmodellene. 

Alternative alternativer for utviklere

Disse modellene er imidlertid ikke ideelle for kostnadseffektive slutningsoperasjoner i produksjonen. NAS kan spille en rolle i å automatisere utformingen av mer effektive kunstige nevrale nettverk, som kan utkonkurrere manuelt utformede arkitekturer, men de krever betydelige ressurser. Selskapene som har klart å implementere NAS er ofte massive teknologiorganisasjoner som Google og Microsoft, så det er ikke et levedyktig alternativ for de fleste utviklere.

Deci forsøkte å løse dette problemet ved å utvikle AutoNAC, som er den første kommersielt levedyktige NAS-en. Det lar utviklere automatisk designe og bygge dyplæringsmodeller som kan utkonkurrere andre topparkitekturer. Utviklere kan angi parametere for spesifikke oppgaver, for eksempel klassifisering og deteksjon, og de kan bruke AutoNAC på datasettet sitt, slik at de kan få optimaliserte modeller klare for produksjon i stor skala. 

Et annet unikt aspekt ved AutoNAC er at det er maskinvarebevisst. Med andre ord kan den oppnå maksimal ytelse ut av hvilken som helst maskinvare og distribuere modeller i en rekke miljøer, som sky, edge og mobil.

Yonatan Geifman er medgründer og administrerende direktør i Deci. 

"Dyp læring driver neste generasjons databehandling - uten høyere ytelse og mer effektive modeller som sømløst kjører på hvilken som helst maskinvare, vil forbrukerteknologier vi tar for gitt hver dag nå en barriere," sa Geifman. "Decis 'AI som bygger AI'-tilnærming er avgjørende for å låse opp modellene som trengs for å slippe løs en ny æra av innovasjon, og gi utviklere verktøyene som kreves for å transformere ideer til revolusjonerende produkter." 

AutoNAC ble brukt på flere oppgaver for å optimalisere modeller over forskjellige inferensprosessorer, for eksempel NVIDIAs T4 GPU og NVIDIAs Jetson Xavier NX edge GPU. AutoNAC oppdaget DeciNets for bildeklassifisering ved å bruke standard ImageNet benchmark datasett. 

Utkonkurrerer andre plattformer

Deci demonstrerte en evne til å utkonkurrere andre plattformer og bruke langt mindre beregning når de genererer DeciNet, noe som betyr at utviklere ikke trenger tunge ressurser i prosessen. DeciNets var i stand til å utkonkurrere alle kjente nevrale nett med åpen kildekode tilgjengelig på markedet, slik som EfficientNets og MobileNets. 

Prof. Ran El-Yaniv er medgründer og sjefforsker i Deci. 

"AutoNAC oppdaget noen av de beste klassifiserings- og deteksjonsmodellene til dags dato," sa prof. Ran El-Yaniv. «Men vi stopper ikke der; teknologien vår kan brukes til alle dyplæringsoppgaver, enten det er visjon eller Natural Language Processing (NLP), og for alle målbare optimaliseringsmål. Vi forbedrer AutoNAC kontinuerlig slik at det alltid vil tillate utviklere å skaffe de kraftigste modellene som bryter den effektive grensen."

Deci ble navngitt av Hewlett Packard Enterprise (HPE) som medlem av deres teknologipartnerprogram for å akselerere AI-innovasjon, og det ble inkludert i 2021 CB Insights AI 100-liste som en topp akselerator for dyp læring. AutoNAC-teknologien implementeres på tvers av bransjer i produksjonsmiljøer.