Decis bildklassificeringsmodeller upptäcktes med betydligt mindre beräkningskraft än ledande teknik

Det djupinlärningsföretag Deci, som syftar till att utnyttja AI för att bygga AI, har tillkännagett upptäckten av bildklassificeringsmodeller som kallas DeciNets. De upptäcktes genom Decis egna teknologi för automatisk neural arkitekturkonstruktion (AutoNAC), och det tog två storleksordningar mindre beräkningskraft än Googles neurala arkitektursökningsteknik (NAS). NAS-teknikerna användes tidigare för att upptäcka neurala arkitekturer som EfficientNet.

Det har funnits en ökad strävan efter större djupinlärningsmodeller med ökad algoritmisk komplexitet, vilket härrör från önskan om förbättrad noggrannhet och prestanda med mer komplexa förutsägelseuppgifter. Tillgången till kraftfullare maskinvara och stora mängder data har också lett till dessa nya djupinlärningsmodeller.

Alternativa alternativ för utvecklare

Men dessa modeller är inte idealiska för kostnadseffektiva inferensoperationer i produktion. NAS kan spela en roll i att automatisera designen av mer effektiva konstgjorda neuronnät, som kan överträffa manuellt designade arkitekturer, men de kräver betydande resurser. Företagen som har kunnat implementera NAS framgångsrikt är ofta stora teknikföretag som Google och Microsoft, så det är inte ett genomförbart alternativ för de flesta utvecklare.

Deci satte ut att åtgärda detta problem genom att utveckla AutoNAC, som är den första kommersiellt gångbara NAS. Det tillåter utvecklare att automatiskt designa och bygga djupinlärningsmodeller som kan överträffa andra topparkitekturer. Utvecklare kan ange parametrar för specifika uppgifter, såsom klassificering och upptäckt, och de kan tillämpa AutoNAC på sin dataset, vilket möjliggör för dem att få optimerade modeller redo för produktion i stor skala.

En annan unik aspekt av AutoNAC är att den är maskinvaru-medveten. Med andra ord kan den uppnå maximal prestanda från alla maskinvara och distribuera modeller i en mängd olika miljöer, såsom moln, edge och mobil.

Yonatan Geifman är medgrundare och VD för Deci.

“Djupinlärning driver nästa generation av datorer – utan högre presterande och mer effektiva modeller som kan köras smidigt på alla maskinvara, kommer konsumentteknologier som vi tar för givet varje dag att nå en barriär”, sa Geifman. “Decis ‘AI som bygger AI’-tillvägagångssätt är avgörande för att låsa upp de modeller som behövs för att frigöra en ny era av innovation, och ge utvecklare de verktyg som krävs för att omvandla idéer till revolutionerande produkter.”

AutoNAC tillämpades på flera uppgifter för att optimera modeller över olika inferensprocessorer, såsom NVIDIAs T4-GPU och NVIDIAs Jetson Xavier NX edge-GPU. AutoNAC upptäckte DeciNets för bildklassificering med hjälp av standard-ImageNet-benchmark-dataset.

Överträffar andra plattformar

Deci visade en förmåga att överträffa andra plattformar och använda betydligt mindre beräkning när de genererade sin DeciNet, vilket innebär att utvecklare inte behöver tunga resurser i processen. DeciNets kunde överträffa alla kända öppen källkodsneuronnät på marknaden, såsom EfficientNets och MobileNets.

Prof. Ran El-Yaniv är medgrundare och chefsforskare på Deci.

“AutoNAC upptäckte några av de bästa klassificerings- och upptäcktsmodellerna hittills”, sa prof. Ran El-Yaniv. “Men vi kommer inte att sluta där; vår teknik kan användas för alla djupinlärningsuppgifter, antingen det är syn eller naturlig språkbehandling (NLP), och för varje mätbar optimeringsobjekt. Vi förbättrar kontinuerligt AutoNAC så att det alltid tillåter utvecklare att få de kraftfullaste modellerna som bryter den effektiva gränsen.”

Deci valdes av Hewlett Packard Enterprise (HPE) som medlem i deras tekniska partnerprogram för att påskynda AI-innovation, och det ingick i 2021 CB Insights AI 100-lista som en toppdjupinlärningsaccelerator. AutoNAC-tekniken implementeras över hela branschen i produktionsmiljöer.