Моделі класифікації зображень Deci використовують значно менше обчислювальної потужності, ніж провідні технології

Компанія з глибокого навчання Deci, яка має на меті використовувати штучний інтелект для побудови штучного інтелекту, оголосила про відкриття моделей класифікації зображень під назвою DeciNets. Вони були відкриті за допомогою власної технології Deci Automated Neural Architecture Construction (AutoNAC), і для цього знадобилася обчислювальна потужність у два порядки менше, ніж у технологій Google (GOOGL ) -scale Neural Architecture Search (NAS). Технології NAS раніше використовувалися для відкриття нейронних архітектур, таких як EfficientNet.

Відбулася тенденція до збільшення глибини навчання моделей з підвищенням алгоритмічної складності, яка пояснюється бажанням покращити точність та продуктивність при виконанні більш складних завдань передбачення. Доступність більш потужного апаратного забезпечення та великих даних також призвела до появи цих нових моделей глибокого навчання.

Альтернативні варіанти для розробників

Однак ці моделі не є ідеальними для ефективної інференції в умовах виробництва. NAS може відігравати роль у автоматизації проектування більш ефективних штучних нейронних мереж, які можуть перевершувати архітектури, спроектовані вручну, але вони вимагають значних ресурсів. Компанії, яким вдалося успішно реалізувати NAS, часто є великими технологічними організаціями, такими як Google та Microsoft (MSFT ), тому це не є життєздатним варіантом для більшості розробників.

Deci вирішила цю проблему, розробивши AutoNAC, яка є першою комерційно життєздатною NAS. Вона дозволяє розробникам автоматично проектувати та будувати моделі глибокого навчання, які можуть перевершувати інші топові архітектури. Розробники можуть встановлювати параметри для конкретних завдань, таких як класифікація та виявлення, і вони можуть застосовувати AutoNAC до свого набору даних, що дозволяє їм отримувати оптимізовані моделі, готові до виробництва у великих масштабах.

Іншим унікальним аспектом AutoNAC є те, що вона є апаратно-орієнтованою. Інакше кажучи, вона може досягати максимальної продуктивності на будь-якому апаратному забезпеченні та розгортати моделі у різних середовищах, таких як хмара, краєві та мобільні пристрої.

Йонатан Гейфман є співзасновником та генеральним директором Deci.

«Глибоке навчання забезпечує наступне покоління обчислень – без більш високопродуктивних та ефективних моделей, які безперешкодно працюють на будь-якому апаратному забезпеченні, споживчі технології, які ми приймаємо як належне щодня, досягнуть бар’єру», – сказав Гейфман. «Підхід Deci «AI, який будує AI» є важливим для розблокування моделей, необхідних для розблокування нової ери інновацій, наділення розробників інструментами, необхідними для перетворення ідей у революційні продукти».

AutoNAC була застосована до декількох завдань для оптимізації моделей над різними процесорами інференції, такими як NVIDIA (NVDA ) T4 GPU та NVIDIA Jetson Xavier NX краєвий GPU. AutoNAC відкрила DeciNets для класифікації зображень за допомогою стандартного набору даних ImageNet.

Перевершення інших платформ

Deci продемонструвала можливість перевершити інші платформи та використовувати значно менше обчислювальної потужності під час генерації свого DeciNet, що означає, що розробникам не потрібно великих ресурсів у процесі.

Професор Ран Ель-Янів є співзасновником та головним науковим співробітником Deci.

«AutoNAC відкрила деякі з найкращих моделей класифікації та виявлення до сьогодні», – сказав професор Ран Ель-Янів. «Але ми не зупинимося на цьому; нашу технологію можна використовувати для будь-якого завдання глибокого навчання, будь то зір або обробка природної мови, і для будь-якої вимірної оптимізаційної мети. Ми продовжимо покращувати AutoNAC, щоб вона завжди дозволяла розробникам отримувати найпотужніші моделі, які розбивають ефективний бар’єр».

Deci була названа компанією Hewlett Packard Enterprise (HPE ) (HPE) членом їх програми технологічних партнерів для прискорення інновацій у сфері штучного інтелекту, і вона була включена до списку CB Insights AI 100 2021 року як один з найкращих прискорювачів глибокого навчання. Технологія AutoNAC реалізується у різних галузях у виробничих середовищах.