)
septiembre 26, 2022

Desbloquee la IA en el perímetro con las nuevas herramientas de Deci

¿No pudo participar en Transform 2022? ¡Vea todas las sesiones de Summit en nuestra biblioteca on-demand ahora! Mira aquí.


Los dispositivos perimetrales deben ser capaces de procesar los datos proporcionados de forma rápida y en tiempo real. Además, las aplicaciones de IA perimetral son efectivas y escalables solo cuando pueden hacer predicciones de imágenes de alta precisión.

Asuma la tarea compleja y de misión crítica de la conducción autónoma: todos los objetos relevantes en la escena de conducción deben tenerse en cuenta, ya sean peatones, carriles, aceras, otros vehículos o señales de tráfico y luces.

“Por ejemplo, un vehículo autónomo que conduce en una ciudad abarrotada debe mantener una alta precisión mientras opera en tiempo real con una latencia muy baja; de lo contrario, la vida de los conductores y peatones puede estar en peligro”, dijo Yonatan Geifman, director ejecutivo y cofundador de la empresa de aprendizaje profundo Deci.

La clave para ello es la segmentación semántica o segmentación de imágenes. Pero hay un dilema: los modelos de segmentación semántica son complejos y suelen ralentizar su rendimiento.

Evento

MetaBeat 2022

MetaBeat reunirá a líderes de opinión para brindar información sobre cómo la tecnología del metaverso transformará la forma en que todas las industrias se comunican y hacen negocios el 4 de octubre en San Francisco, California.

Registrarse aquí

«A menudo hay una compensación entre la precisión, la velocidad y el tamaño de estos modelos», dijo Geifman, cuya compañía lanzó esta semana una serie de modelos de segmentación semántica, DeciSeg, para ayudar a resolver este complejo problema.

«Esto puede ser una barrera para las aplicaciones de borde en tiempo real», dijo Geifman. «El modelado computacionalmente preciso y eficiente es un verdadero problema para los ingenieros de aprendizaje profundo, que están haciendo grandes esfuerzos para lograr tanto la precisión como la velocidad que cumplirán con la tarea en cuestión».

El poder del borde

Según Allied Market Research, el tamaño del mercado global de inteligencia artificial (inteligencia artificial) alcanzará casi $ 39 mil millones para 2030, una tasa de crecimiento anual compuesta (CAGR) cercana al 19% durante 10 años. Mientras tanto, Astute Analytica informa que el mercado global de software de IA alcanzará más de $ 8 mil millones para 2027, una tasa compuesta anual de casi el 30 % a partir de 2021.

«La computación perimetral con inteligencia artificial es una combinación poderosa que puede brindar aplicaciones prometedoras tanto a los consumidores como a las empresas», dijo Geifman.

Para los usuarios finales, esto se traduce en mayor velocidad, mayor confiabilidad y una mejor experiencia general, dijo. Sin mencionar una mejor privacidad de los datos, ya que los datos utilizados para el procesamiento permanecen en el dispositivo local (teléfonos móviles, computadoras portátiles, tabletas) y no es necesario cargarlos en servicios en la nube de terceros. Para las empresas con aplicaciones de consumo, esto significa una reducción significativa en los costos de computación en la nube, dijo Geifman.

Otra razón por la que la IA es tan importante: los cuellos de botella en la comunicación. Muchos dispositivos periféricos de visión por computadora requieren un análisis exhaustivo para transmisiones de video de alta resolución. Sin embargo, si los requisitos de comunicación son demasiado grandes para la capacidad de la red, algunos usuarios no obtendrán el análisis requerido. “Por lo tanto, llevar el cómputo al límite, aunque sea parcialmente, nos permitirá operar a gran escala”, dijo Geifman.

Sin compromisos críticos

La segmentación semántica es fundamental para la IA y es una de las actividades de visión artificial más utilizadas en muchas verticales de negocios: automotriz, atención médica, agricultura, medios y entretenimiento, aplicaciones de consumo, ciudades inteligentes y otras implementaciones intensivas en imágenes.

Muchas de estas aplicaciones «son críticas en el sentido de que obtener la predicción de segmentación correcta y en tiempo real puede ser una cuestión de vida o muerte», dijo Geifman.

Vehículos autónomos, para uno; otra es la segmentación semántica cardíaca. Para esta tarea crítica en el análisis de resonancia magnética, las imágenes se dividen en varios segmentos anatómicamente significativos que se utilizan para estimar aspectos críticos como la masa miocárdica y el grosor de la pared, explicó Geifman.

Hay, por supuesto, ejemplos más allá de las situaciones de misión crítica, dijo, como las capacidades de fondo virtual de las videoconferencias o la fotografía inteligente.

A diferencia de los modelos de clasificación de imágenes, que están diseñados para determinar y etiquetar un objeto en una imagen determinada, los modelos de segmentación semántica etiquetan cada píxel de una imagen, explicó Geifman. Por lo general, se diseñan utilizando la estructura de la arquitectura del codificador/descodificador. El codificador reduce progresivamente la muestra de la entrada aumentando el número de mapas de características, creando así características espaciales informativas. El decodificador recibe estas características y las muestrea progresivamente en un mapa de segmentación de resolución completa.

Y, si bien a menudo se requiere para muchas aplicaciones de IA perimetral, existen barreras significativas para ejecutar modelos de segmentación semántica directamente en dispositivos perimetrales. Estos incluyen alta latencia y la incapacidad de implementar modelos debido a su tamaño.

Los modelos de segmentación de alta precisión no solo son mucho más grandes que los modelos de clasificación, explicó Geifman, sino que a menudo también se aplican a imágenes de entrada más grandes, lo que «aumenta cuadráticamente» su complejidad computacional. Esto da como resultado un rendimiento de inferencia más lento.

Por ejemplo: los sistemas de inspección de defectos que se ejecutan en líneas de producción que deben mantener una alta precisión para reducir las falsas alarmas, pero que no pueden sacrificar la velocidad en el proceso, dijo Geifman.

Baja latencia, mayor precisión

Los modelos DeciSeg fueron generados automáticamente por la tecnología de construcción de arquitectura neuronal automatizada (AutoNAC) de Deci. La compañía con sede en Tel Aviv dice que estos modelos «superan significativamente» a los modelos disponibles públicamente existentes, incluidos MobileViT de Apple y DeepLab de Google.

Como explicó Geifman, el motor AutoNAC considera un gran espacio de investigación de arquitecturas neuronales. Al buscar en este espacio, se tienen en cuenta parámetros como la precisión de la línea de base, los objetivos de rendimiento, el hardware de inferencia, los compiladores y la cuantificación. AutoNAC intenta resolver un problema de optimización restringido completando varios objetivos al mismo tiempo, es decir, conservando la precisión básica con un modelo que tiene una cierta huella de memoria.

Los modelos ofrecen una latencia dos veces menor y una precisión entre un 3 y un 7 % mayor, dijo Geifman. Esto permite a las empresas desarrollar nuevos casos de uso y aplicaciones en dispositivos de inteligencia artificial perimetrales, reducir los costos de inferencia (ya que los profesionales de inteligencia artificial ya no necesitan ejecutar tareas en entornos de nube costosos), abrir nuevos mercados y reducir el tiempo de desarrollo, dijo Geifman. Los equipos de IA pueden resolver los desafíos de implementación logrando la precisión, la velocidad y el tamaño del modelo deseados.

«Los modelos DeciSeg permiten actividades de segmentación semántica que anteriormente no se podían realizar en aplicaciones de borde porque requerían demasiados recursos», dijo Geifman. La nueva serie de modelos «tiene el potencial de transformar las industrias en general».

La misión de VentureBeat debe ser una plaza de la ciudad digital para que los tomadores de decisiones técnicas obtengan información sobre la tecnología y las transacciones comerciales transformadoras. Descubre nuestras sesiones informativas.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.