Модели классификации изображений Deci, обнаруженные с помощью значительно меньшей вычислительной мощности, чем у ведущих технологий

Компания по глубокому обучению Deci, целью которой является использование ИИ для построения ИИ, объявила об открытии моделей классификации изображений под названием DeciNets. Они были обнаружены с помощью собственной технологии Deci Automated Neural Architecture Construction (AutoNAC), и для этого потребовалось на два порядка меньше вычислительной мощности, чем у технологий Google (GOOGL ) -scale Neural Architecture Search (NAS). Технологии NAS ранее использовались для открытия нейронных архитектур, таких как EfficientNet.

В последнее время наблюдается тенденция к созданию более крупных моделей глубокого обучения с возрастающей алгоритмической сложностью, что обусловлено желанием улучшить точность и производительность при выполнении более сложных задач прогнозирования. Доступность более мощного оборудования и больших данных также привела к появлению этих новых моделей глубокого обучения.

Альтернативные варианты для разработчиков

Однако эти модели не идеальны для эффективных операций вывода в производстве. NAS может сыграть роль в автоматизации проектирования более эффективных искусственных нейронных сетей, которые могут превосходить архитектуры, разработанные вручную, но они требуют значительных ресурсов. Компании, которые смогли успешно реализовать NAS, часто являются крупными технологическими организациями, такими как Google и Microsoft (MSFT ), поэтому это не является жизнеспособным вариантом для большинства разработчиков.

Deci поставила цель решить эту проблему, разработав AutoNAC, которая является первой коммерчески жизнеспособной NAS. Она позволяет разработчикам автоматически проектировать и создавать модели глубокого обучения, которые могут превосходить другие лучшие архитектуры. Разработчики могут задавать параметры для конкретных задач, таких как классификация и обнаружение, и они могут применить AutoNAC к своим наборам данных, что позволяет им получить оптимизированные модели, готовые к производству в крупном масштабе.

Еще одной уникальной особенностью AutoNAC является то, что она осознает аппаратное обеспечение. Другими словами, она может достичь максимальной производительности на любом оборудовании и развертывать модели в различных средах, таких как облачные, краевые и мобильные.

Йонатан Гейфман является сооснователем и генеральным директором Deci.

«Глубокое обучение обеспечивает следующее поколение вычислений, но без более высокопроизводительных и эффективных моделей, которые без проблем работают на любом оборудовании, потребительские технологии, которые мы принимаем как должное каждый день, достигнут барьера», – сказал Гейфман. «Подход Deci «ИИ, который строит ИИ» имеет решающее значение для открытия необходимых моделей для разблокировки новой эры инноваций, предоставляя разработчикам инструменты, необходимые для превращения идей в революционные продукты».

AutoNAC была применена к нескольким задачам для оптимизации моделей на различных процессорах вывода, таких как NVIDIA (NVDA ) T4 GPU и NVIDIA Jetson Xavier NX краевой GPU. AutoNAC открыла DeciNets для классификации изображений с использованием стандартного набора данных ImageNet.

Превосходство над другими платформами

Deci продемонстрировала способность превосходить другие платформы и использовать значительно меньше вычислительных ресурсов при генерации DeciNet, что означает, что разработчикам не нужны тяжелые ресурсы в процессе.

Профессор Ран Эль-Янив является сооснователем и главным ученым Deci.

«AutoNAC открыла некоторые из лучших моделей классификации и обнаружения на сегодняшний день», – сказал профессор Ран Эль-Янив. «Но мы не остановимся на этом; наша технология может быть использована для любой задачи глубокого обучения, будь то зрение или обработка естественного языка, и для любой измеримой цели оптимизации. Мы постоянно улучшаем AutoNAC, чтобы она всегда позволяла разработчикам получать наиболее мощные модели, которые нарушают эффективный рубеж».

Deci была названа Hewlett Packard Enterprise (HPE ) (HPE) в качестве члена своей программы технологических партнеров для ускорения инноваций в области ИИ и была включена в список CB Insights AI 100 за 2021 год в качестве одного из лучших ускорителей глубокого обучения. Технология AutoNAC реализуется в различных отраслях в производственных средах.