Decis bildeklassifiseringsmodeller oppdaget med langt mindre beregningskraft enn ledende teknologi

Djuptlæringsselskapet Deci, som har som mål å utnytte AI til 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 beregningskraft enn Google (GOOGL ) -skala Neural Architecture Search (NAS) teknologier. NAS-teknologiene ble tidligere brukt til å oppdage neurale arkitekturer som EfficientNet.

Det har vært en økning i søk etter større djuptlæringsmodeller med økende algoritmisskompleksitet, som stammer fra ønsket om forbedret nøyaktighet og ytelse med mer komplekse prediksjonsoppgaver. Tilgjengeligheten av mer kraftfulle maskiner og store datamengder har også ledet til disse nye djuptlæringsmodellene. 

Alternative valg for utviklere

Men disse modellene er ikke ideelle for kostnadseffektive inferensoperasjoner i produksjon. NAS kan spille en rolle i å automatisere design av mer effektive kunstige neurale nettverk, som kan overgå manuelt designede arkitekturer, men de krever betydelige ressurser. Selskapene som har kunnet implementere NAS med hell er ofte massive teknologiselskaper som Google og Microsoft (MSFT ), så det er ikke en realistisk mulighet for de fleste utviklere.

Deci satte ut til å løse dette problemet ved å utvikle AutoNAC, som er den første kommersielt viable NAS. Den lar utviklere automatisk designe og bygge djuptlæringsmodeller som kan overgå andre topp-arkitekturer. Utviklere kan sette parametre for bestemte oppgaver, som klassifisering og deteksjon, og de kan bruke AutoNAC på deres datasett, noe som gjør det mulig for dem å få optimerte modeller klare for produksjon i stor skala. 

En annen unik egenskap ved AutoNAC er at den er maskinvar-avhengig. Med andre ord kan den oppnå maksimal ytelse av enhver maskinvar og deployere modeller i en rekke miljøer, som sky, kant og mobil.

Yonatan Geifman er medgrunnlegger og CEO av Deci. 

“Djuptlæring er det som driver neste generasjon av datamaskiner – uten høyere ytende og mer effektive modeller som kjører på enhver maskinvar, 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 de verktøyene som trengs for å omdanne ideer til revolusjonære produkter.” 

AutoNAC ble brukt på flere oppgaver for å optimere modeller over ulike inferensprosessorer, som NVIDIA (NVDA ) sin T4-GPU og NVIDIA sin Jetson Xavier NX-kant-GPU. AutoNAC oppdaget DeciNets for bildeklassifisering ved å bruke standard ImageNet-benchmark-datasettet. 

Overgår andre plattformer

Deci viste evnen til å overgå andre plattformer og bruke langt mindre beregningskraft når de genererte sin DeciNet, noe som betyr at utviklere ikke trenger tunge ressurser i prosessen. DeciNets var i stand til å overgå enhver kjent åpen kilde neuralt nett som er tilgjengelig på markedet, som EfficientNets og MobileNets. 

Prof. Ran El-Yaniv er medgrunnlegger og Chief Scientist av Deci. 

“AutoNAC oppdaget noen av de beste klassifiserings- og deteksjonsmodellene til dags dato,” sa Prof. Ran El-Yaniv. “Men vi vil ikke stoppe der; vår teknologi kan brukes for enhver djuptlæringsoppgave, enten det er syn eller naturlig språkbehandling (NLP), og for hvert målbart optimeringsmål. Vi forbedrer AutoNAC kontinuerlig så den alltid lar utviklere få de kraftigste modellene som bryter den effektive grensen.”

Deci ble navngitt av Hewlett Packard Enterprise (HPE ) (HPE) som en del av deres Technology Partner Program for å akselerere AI-innovasjon, og det ble inkludert i 2021 CB Insights AI 100 Liste som en topp djuptlæringsakselerator. AutoNAC-teknologien blir implementert over industrier i produksjonsmiljøer.