DarwinAI i wydajność aplikacji sztucznej inteligencji

Dzięki własnej sztucznej inteligencji DarwinAI dąży do zwiększania wydajności aplikacji sztucznej inteligencji. Projekt wspiera gigant technologiczny Intel. Na zdjęciu ekipa DarwinAI.

Jako doktorant inżynierii projektowania systemów na University of Waterloo, Alexander Wong nie miał dość pieniędzy na sprzęt, którego potrzebował do prowadzenia eksperymentów z zakresu widzenia komputerowego(wprowadzania i rozpoznawania obrazów). Wynalazł więc rozwiązanie sprawiające, że modele sieci neuronowej były mniejsze i szybsze.

”Prowadził prezentację i ktoś powiedział: Hej, twoja praca doktorancka jest cool, ale wiesz, że najlepszy jest cudowny dodatek, który stworzyłeś, aby móc ją wykonać, prawda?”- wspomina Sheldon Fernandez.

Fernandez jest dyrektorem generalnym w DarwinAI, firmy z siedzibą w Waterloo w kanadyjskim Ontario, która obecnie komercjalizuje wspomniany dodatek. Wong jest głównym naukowcem firmy. Intel pomaga przedsiębiorstwu w zwiększaniu wydajności jego niezwykłego oprogramowania, od centrum danych, aż po zaawansowane aplikacje.

Używamy innych form sztucznej inteligencji do badania i rozumienia sieci neuronowej w fundamentalnym ujęciu” – mówi Fernandez, opisując podręcznik DarwinAI. „Rozwijamy bardzo wyrafinowane rozumienie zagadnienia, a następnie po raz drugi używamy sztucznej inteligencji, aby wygenerować nową rodzinę sieci neuronowych, która jest tak dobra jak ta pierwotna, ale o wiele mniejsza i można ją wyjaśnić”.

Ta ostatnia część jest krytyczna: wielkim wyzwaniem dla AI, mówi Fernandez, jest to, że „to czarna skrzynka dla jej projektantów”. Nie wiedząc, jak działa AI i jak podejmuje decyzje, programiści mają problemy z poprawą wydajności lub diagnozowaniem problemów.

Dla przykładu klient firmy DarwinAI z branży motoryzacyjnej rozwiązywał problemy z autonomicznym pojazdem związane z dziwną tendencją do skręcania w lewo, gdy niebo miało szczególny odcień fioletu.

Rozwiązanie DarwinAI – które nazwano Syntezą Generatywną (ang. Generative Synthesis), pomogło zespołowi rozpoznać, w jaki sposób na zachowanie pojazdu wpłynęło szkolenie w zakresie niektórych scenariuszy zakręcania, które przeprowadzono na pustyni Nevada, przypadkowo, akurat kiedy niebo miało ten charakterystyczny odcień (dokładne informacje DarwinAI na temat problemu wyjaśnienia widzenia).

Fernandez wyjaśnia, że ​​innym sposobem myślenia o Generatywnej Syntezie jest wyobrażenie sobie aplikacji AI, która spojrzała na dom zaprojektowany przez człowieka, zauważyła kontury architektoniczne, a następnie zaprojektowała zupełnie nowy, który był silniejszy i bardziej niezawodny.

Ponieważ jest to sztuczna inteligencja, widzi wydajność, która nigdy nie przeszłaby przez ludzki umysł”, wyjaśnia Fernandez. „To właśnie robimy z sieciami neuronowymi”. Sieć neuronowa to podejście do podziału skomplikowanych zadań na dużą liczbę prostych obliczeń, co jest kopią działania ludzkiego mózgu.)

Intel dąży do tego, aby sztuczna inteligencja była nie tylko dostępna dla wszystkich, ale także szybsza i łatwiejsza w użyciu. W ramach programu Intel AI Builders Intel współpracował z DarwinAI w celu sparowania Syntezy Generatywnej z zestawem narzędzi Intel® Distribution OpenVINO ™ i innymi komponentami oprogramowania Intel AI w celu uzyskania wzrostu wydajności o cały rząd wielkości.

W ostatnim case study, sieci neuronowe zbudowane przy użyciu platformy Syntezy Generatywnej, w połączeniu z Intel® Optimizations for TensorFlow były w stanie zapewnić do 16,3 razy i 9,6 razy wzrost wydajności przy dwóch popularnych obciążeniach związanych z rozpoznawaniem obrazu (odpowiednio dla ResNet50 i NASNet) w porównaniu z pomiarami referencyjnymi uzyskanymi dla procesora Intel Xeon Platinum 8153.

Intel i DarwinAI często współpracują ze sobą w celu optymalizacji i przyspieszenia działania sztucznej inteligencji na różnych urządzeniach firmy Intel”, mówi Wei Li, wiceprezes i dyrektor generalny ds. wydajności uczenia maszynowego w firmie Intel.

Fernandez dodaje też, że narzędzia obu firm są „bardzo komplementarne”. „Korzystasz z naszego narzędzia i dostajesz naprawdę zoptymalizowaną sieć neuronową, a następnie używasz OpenVINO i zestawów narzędzi Intel do faktycznego przeniesienia go na urządzenie.”

Ta kombinacja może zapewnić rozwiązania AI, które są jednocześnie kompaktowe, dokładne i dostrojone do urządzenia, w którym będą wdrażane, co staje się kluczowe wraz z postępem obliczeń brzegowych.

AI na urządzeniach brzegowych to coś, co coraz częściej widzimy”, mówi Fernandez. „Widzimy, że brzeg jest jednym z tematów, które będą dominować w dyskusji w ciągu najbliższych dwóch, trzech lat.”