La piattaforma di deep learning Deci mira a facilitare lo sviluppo di applicazioni di intelligenza artificiale
Deci , un produttore di software di deep learning che utilizza modelli di intelligenza artificiale progettati per creare applicazioni basate sull’intelligenza artificiale, ha lanciato oggi la v2.0 della sua piattaforma di sviluppo, che secondo lei velocizza la strada agli sviluppatori per creare, ottimizzare e distribuire modelli di visione artificiale .
Il termine “velocità” e sviluppo di applicazioni di intelligenza artificiale sono usati raramente nella stessa frase, ma utilizzando questa piattaforma, i modelli di intelligenza artificiale risultanti possono essere preparati più rapidamente per essere eseguiti su qualsiasi hardware e ambiente, inclusi cloud, edge e mobile, con precisione e prestazioni di runtime, ha dichiarato Yonatan Geifman, CEO e co-fondatore di Deci, in un avviso ai media. Questo perché gran parte del lavoro grunge è stato eliminato dalla serie Deci di modelli DeciNet resi disponibili nella piattaforma v2.0.
Vedere per credere: in che modo la tecnologia di visione artificiale di eBay sta trasformando l’esperienza di acquisto per i consumatori e avvantaggiando i venditori 1
Utilizzando Deci, afferma la società, gli sviluppatori di intelligenza artificiale possono ottenere prestazioni di inferenza ed efficienza migliorate per consentire implementazioni efficaci su dispositivi edge con risorse limitate, massimizzare l’uso dell’hardware e ridurre i costi di formazione e di inferenza, ha affermato Geifman. L’intero ciclo di sviluppo viene abbreviato, risparmiando sui costi iniziali, e viene eliminata l’incertezza su come il modello verrà distribuito sull’hardware di inferenza, ha affermato.
ANNUNCIO
La piattaforma di Deci, alimentata dal suo motore di ricerca dell’architettura neurale (NAS) proprietario chiamato AutoNAC (Automated Neural Architecture Construction), è progettata per consentire agli sviluppatori di intelligenza artificiale di creare automaticamente modelli di computer vision efficienti che forniscono una precisione precedentemente testata per hardware di inferenza, velocità, dimensioni e obiettivi. I modelli DeciNet generati da Deci superano le altre architetture all’avanguardia conosciute di un fattore da tre a 10 volte, ha affermato Geifman.
Affrontare le lotte degli sviluppatori di IA
Gli sviluppatori di intelligenza artificiale in genere hanno faticato a sviluppare modelli di apprendimento profondo pronti per la produzione per l’implementazione in un ragionevole lasso di tempo. Queste sfide possono essere in gran parte attribuite al divario di efficienza dell’IA che deve affrontare il settore, in cui gli algoritmi stanno diventando più potenti e complessi, ma la potenza di calcolo disponibile non sta al passo con la domanda. Questo divario crea anche barriere finanziarie rendendo lo sviluppo e l’elaborazione dell’apprendimento profondo più ingombranti e costosi, ha affermato Geifman.
Sebbene il NAS sia stato presentato come una potenziale soluzione per automatizzare la progettazione di reti neurali artificiali superiori in grado di superare le architetture progettate manualmente, i requisiti di risorse per utilizzare tale tecnologia sono eccessivi per la maggior parte delle aziende. Finora, il NAS è stato implementato con successo solo da giganti della tecnologia con grandi team di intelligenza artificiale come Google, Facebook e Microsoft e nella comunità accademica, indicando la sua impraticabilità per la stragrande maggioranza degli sviluppatori.
ANNUNCIO
Gli sviluppatori possono avviare i loro progetti con i modelli DeciNet preaddestrati e ottimizzati generati dal motore AutoNAC per un’ampia gamma di attività hardware e di visione artificiale o utilizzare il motore AutoNAC per generare architetture più personalizzate che sono su misura per i loro casi d’uso specifici, ha affermato Geifman.
Inoltre, la piattaforma supporta i team con l’ampia gamma di strumenti necessari per sviluppare applicazioni basate sul deep learning. Questi includono un modello PyTorch compatibile con l’hardware per selezionare e confrontare facilmente modelli e hardware, SuperGradients , una libreria di formazione open source ospitata su GitHub con ricette comprovate per una formazione più rapida, ottimizzazioni automatizzate del runtime, packaging del modello e altro, ha affermato Geifman.
Con la piattaforma v2.0 di Deci, gli sviluppatori di intelligenza artificiale possono realizzare quanto segue:
Modelli di benchmark e hardware di inferenza: con lo zoo del modello compatibile con l’hardware di Deci, gli sviluppatori possono misurare il tempo di inferenza di modelli pre-addestrati e ottimizzati su hardware e vari dispositivi inclusi i dispositivi edge tramite la piattaforma SaaS di Deci.
Genera architetture SOTA CNN su misura: trova automaticamente architetture accurate ed efficienti su misura per l’applicazione, l’hardware e gli obiettivi prestazionali con il motore AutoNAC di Deci.
Semplifica l’allenamento con SuperGradients : utilizza le comprovate ricette di iperparametri e con la libreria di training open source basata su PyTorch di Deci chiamata SuperGradients .
Ottimizzazione automatizzata del runtime: compila e quantizza automaticamente i modelli e valuta le diverse impostazioni di produzione.
Distribuisci con poche righe di codice: gli sviluppatori possono distribuire carichi di lavoro di deep learning in qualsiasi ambiente con il motore di inferenza basato su Python di Deci.
La piattaforma di Deci include questi tre livelli:
Livello comunitario gratuito: per data scientist e ingegneri ML che cercano i modelli migliori, semplificano la valutazione dell’hardware e migliorano le prestazioni di runtime.
Livello professionale: per i team di deep learning che desiderano ottenere rapidamente prestazioni di inferenza di livello produttivo e ridurre i tempi di sviluppo.
Livello Enterprise: per esperti di deep learning che desiderano raggiungere obiettivi di prestazioni specifici per casi d’uso altamente personalizzati.
