Modele klasyfikacji obrazów Deci odkryte przy użyciu znacznie mniejszej mocy obliczeniowej niż wiodące technologie

Firma Deep learning Deci, której celem jest wykorzystanie sztucznej inteligencji do budowy sztucznej inteligencji, ogłosiła odkrycie modeli klasyfikacji obrazów o nazwie DeciNets. Zostały one odkryte za pomocą własnej technologii Deci Automated Neural Architecture Construction (AutoNAC) i wymagały dwóch rzędów wielkości mniejszej mocy obliczeniowej niż technologie Neural Architecture Search (NAS) firmy Google. Technologie NAS były wcześniej używane do odkrywania architektur neuronalnych, takich jak EfficientNet.

Istnieje coraz większa tendencja do tworzenia większych modeli głębokiego uczenia się o coraz większej złożoności algorytmicznej, co wynika z pragnienia poprawy dokładności i wydajności w przypadku bardziej złożonych zadań predykcyjnych. Dostępność coraz potężniejszego sprzętu i dużych zbiorów danych również przyczyniła się do powstania tych nowych modeli głębokiego uczenia się.

Alternatywne opcje dla deweloperów

Jednak te modele nie są idealne dla kosztowo efektywnych operacji inferencyjnych w produkcji. NAS mogą odegrać rolę w automatyzacji projektowania bardziej efektywnych sztucznych sieci neuronowych, które mogą przewyższać architektury zaprojektowane ręcznie, ale wymagają znacznych zasobów. Firmy, które były w stanie pomyślnie wdrożyć NAS, to często ogromne organizacje technologiczne, takie jak Google i Microsoft, więc nie jest to opcja dla większości deweloperów.

Deci postanowiło rozwiązać ten problem, rozwijając AutoNAC, które jest pierwszą komercyjnie wykonalną NAS. Pozwala deweloperom na automatyczne projektowanie i tworzenie modeli głębokiego uczenia się, które mogą przewyższać inne najlepsze architektury. Deweloperzy mogą ustawić parametry dla określonych zadań, takich jak klasyfikacja i wykrywanie, i mogą zastosować AutoNAC do swojego zbioru danych, co pozwala im uzyskać zoptymalizowane modele gotowe do produkcji na dużą skalę.

Inną unikalną cechą AutoNAC jest to, że jest świadomy sprzętu. Innymi słowy, może osiągać maksymalną wydajność na dowolnym sprzęcie i wdrożyć modele w różnych środowiskach, takich jak chmura, edge i mobilne.

Yonatan Geifman jest współzałożycielem i dyrektorem generalnym Deci.

„Głębokie uczenie się napędza następną generację komputingu – bez lepszych i bardziej wydajnych modeli, które bezproblemowo działają na dowolnym sprzęcie, codzienne technologie, których używamy, osiągną barierę”, powiedział Geifman. „Podejście Deci „AI, które buduje AI” jest kluczowe w odblokowaniu modeli potrzebnych do uwolnienia nowej ery innowacji, wyposażając deweloperów w narzędzia niezbędne do przekształcenia pomysłów w rewolucyjne produkty”.

AutoNAC zostało zastosowane w kilku zadaniach w celu zoptymalizowania modeli na różnych procesorach inferencyjnych, takich jak NVIDIA T4 GPU i NVIDIA Jetson Xavier NX edge GPU. AutoNAC odkryło DeciNets do klasyfikacji obrazów przy użyciu standardowego zestawu danych ImageNet.

Przewyższanie innych platform

Deci wykazało zdolność do przewyższania innych platform i używania znacznie mniej obliczeń przy generowaniu swojego DeciNet, co oznacza, że deweloperzy nie potrzebują ciężkich zasobów w tym procesie. DeciNets były w stanie przewyższać każdą znaną otwartoźródłową sieć neuronową dostępną na rynku, taką jak EfficientNets i MobileNets.

Prof. Ran El-Yaniv jest współzałożycielem i głównym naukowcem Deci.

„AutoNAC odkryło niektóre z najlepszych modeli klasyfikacji i wykrywania do tej pory”, powiedział prof. Ran El-Yaniv. „Ale nie przestaniemy tam; nasza technologia może być używana do każdego zadania głębokiego uczenia się, czy to wizja, czy przetwarzanie języka naturalnego (NLP), i dla każdego możliwego celu optymalizacji. Ciągle poprawiamy AutoNAC, aby zawsze pozwalało deweloperom uzyskać najpotężniejsze modele, które przekraczają efektywną granicę”.

Deci zostało nazwane przez Hewlett Packard Enterprise (HPE) członkiem ich programu Technology Partner, aby przyspieszyć innowacje AI, i zostało uwzględnione w liście CB Insights AI 100 z 2021 roku jako jeden z najlepszych przyspieszonych głębokiego uczenia się. Technologia AutoNAC jest wdrażana w różnych branżach w środowiskach produkcyjnych.