Теги → глубинное обучение
Быстрый переход

Подробнее о «ИИ-суперкомпьютере» NVIDIA Jetson Xavier NX размером с кредитку

Мы уже писали, что NVIDIA представила Jetson Xavier NX. Теперь предлагаем ознакомиться с некоторыми подробностями о самом компактным в мире, по словам производителя, суперкомпьютере с функциями ИИ для роботизированных и встраиваемых вычислительных устройств. Несмотря на размер меньше кредитной карты и энергопотребление 15 Вт, этот модуль обеспечивает производительность на уровне до 21 тераопераций/с (Топс).

Jetson Xavier NX открывает возможности для встраиваемых вычислительных устройств, требующих повышенной производительности, но ограниченных размером, весом, энергопотреблением или стоимостью. К ним относятся роботы, беспилотники, интеллектуальные датчики высокого разрешения, системы машинного зрения, сетевые видеорегистраторы, портативные медицинские устройства и другие промышленные системы Интернета вещей.

«Искусственный интеллект стал технологией, обеспечивающей современную робототехнику и встраиваемые устройства, которые преображают целые отрасли. Многие из этих устройств, использующие небольшие типоразмеры и низкие мощности, ограничены в возможностях расширения функций машинного обучения. Jetson Xavier NX позволяет значительно нарастить потенциал ИИ без увеличения размера или энергопотребления устройств», — прокомментировал вице-президент и ведущий руководитель Edge Computing в NVIDIA Дипу Талла (Deepu Talla).

Обеспечивания параллельную работу с несколькими нейронными сетями и обработку данных с нескольких датчиков высокого разрешения, Jetson Xavier NX способен выполнять до 14 Топс при потреблении 10 Вт или 21 Топс при 15 Вт. Система работает на той же программной архитектуре CUDA-X AI, что и все продукты под маркой Jetson, и поддерживает комплект разработки NVIDIA JetPack, представляющий собой полный программный стек искусственного интеллекта, способный работать со сложными сетями ИИ, ускоренными библиотеками для глубинного обучения, а также машинным зрением, компьютерной графикой, мультимедиа и прочим.

Технические характеристики модуля Jetson Xavier NX:

  • графический процессор NVIDIA Volta с 384 ядрами CUDA, 48 тензорными ядрами и 2 нейропроцессорами NVDLA (NVIDIA Deep Learning Accelerator);
  • 6-ядерный 64-разрядный процессор Carmel с 6 Мбайт кеша L2 и 4 Мбайт L3 с архитектурой ARM;
  • модуль кодирования двух видеопотоков 4K/30p и двухпоточного декодирования 4K/60p;
  • поддержка до шести камер CSI (36 через виртуальные каналы); 12 полос MIPI CSI-2 (3 × 4 или 6 × 2);
  • 8 Гбайт LPDDR4x с пропускной способностью 51,2 Гбайт/с (128-битная шина памяти);
  • гигабитный сетевой порт Ethernet;
  • поддержка Linux на основе Ubuntu;
  • типоразмер Nano (70 × 45 мм).

Помимо нового продукта, семейство Jetson включает в себя Jetson Nano, серию Jetson AGX Xavier и серию Jetson TX2. Jetson Xavier NX предлагает богатый набор операций ввода-вывода, от высокоскоростных CSI и PCIe до низкоскоростных I2C и GPIO, совместимость со многими периферийными устройствами и датчиками в небольшом типоразмере.

Jetson Xavier NX полностью совместим по размерам и контактам с Jetson Nano, что позволяет легко обновить соответствующие аппаратные решения и модели. Он также поддерживает все основные фреймворки ИИ, включая TensorFlow, PyTorch, MxNet, Caffe и другие. По цене $399 долларов модуль Jetson Xavier NX будет доступен в марте. Разработчики могут начать создание приложений уже сегодня, используя Jetson AGX Xavier Developer Kit с программным патчем для эмуляции Jetson Xavier NX.

Результаты MLPerf Inference 0.5, первого в отрасли независимого теста ИИ, демонстрируют высокие возможности однокристальной системы NVIDIA Xavier NX. NVIDIA также объявила, что благодаря ускорителям семейства Turing ею взяты первые места во всех 5 тестах, измеряющих производительность рабочих нагрузок логического вывода ИИ в центрах обработки данных.

Nikon заинтересовалась машинным зрением и глубоким обучением

Корпорация Nikon объявила об инвестициях в канадский стартап wrnch, который специализируется на разработке технологий машинного зрения и глубокого обучения.

Фотографии Reuters

Фотографии Reuters

Фирма wrnch была основана в 2014 году. Компания предлагает инструменты и комплекты для разработчиков (SDK), которые позволяют компьютерам видеть и распознавать движения и активность людей.

Сообщается, что в рамках соглашения Nikon окажет wrnch финансовую поддержку в размере 7,5 миллиона долларов США. Средства будут направлены на разработку новых программных решений.

Благодаря сотрудничеству с wrnch корпорация Nikon рассчитывает расширить возможность автоматической съёмки в своих камерах. Речь идёт прежде всего о съёмке спортивных событий.

Кроме того, использование машинного зрения и глубокого обучения поможет Nikon реализовать новые интеллектуальные функции в своих устройствах.

Добавим, что рынок глубокого обучения и искусственного интеллекта (ИИ) быстро развивается. Такие средства позволяют автоматизировать выполнение многих рутинных операций. К примеру, компании и организации часто внедряют чат-сервисы на базе ИИ, рекомендательные платформы, а также «умные» системы анализа информации. 

Видео: учёные создают DeepSqueak — нейросеть для анализа ультразвукового писка крыс

Исследователи из Вашингтонского университета недавно представили довольно любопытный программный инструмент, названный ими DeepSqueak. Программа может автоматически идентифицировать, обрабатывать и сортировать писк мышей и крыс. Это может показаться довольно странным занятием, но понимание информации, которой обмениваются грызуны, может оказаться чрезвычайно ценным для исследователей, работающих с животными.

Alice Gray, University of Washington School of Medicine

Alice Gray, University of Washington School of Medicine

Мыши и крысы являются основой современной медицины. Чтобы понять их значение, достаточно сказать, что за различные исследования на мышах и крысах было получено порядка 75 Нобелевских премий в области здравоохранения и физиологии. Крысы являются довольно умными и общительными животными, и понимание принципов их общения может оказать большую помощь в дальнейших научных исследованиях. Например, если в эксперименте крыса избегает вкусной воды с сахаром, то она уже достаточно счастлива или просто чем-то обеспокоена?

В течение многих лет изучение крысиного писка было трудной и непрактичной задачей. Эти животные общаются в основном в ультразвуковом диапазоне, который человеческим ухом невозможно различить, и, даже имея специальные микрофоны в своём распоряжении, учёным чрезвычайно сложно вычленять и категоризировать издаваемые грызунами звуки.

Задача DeepSqueak — изменить это. Программное обеспечение, разработанное исследователями Расселом Марксом (Russell Marx) и Кевином Коффи (Kevin Coffey) из Вашингтонского университета, использует сложные алгоритмы глубинного обучения (отсюда и название DeepSqueak), чтобы автоматически отбирать звуковые сигналы грызунов из записанного звука, сравнивать их с сигналами, имеющими сходные характеристики, и даже анализировать зависимости в последовательностях звуков. В настоящее время всё ещё немногое понятно в значении издаваемых крысами звуков, но исследователи надеются, что собрав достаточное количество сигналов, они смогут создать своего рода переводчик с «языка грызунов».

Недавно журналисты Verge Science решили ознакомиться с технологией и отправились к создателям DeepSqueak в Вашингтонский университет в компании с домашней крысой по кличке Бадди:

Intel представила платформу Nauta для глубинного обучения на основе Kubernetes и Docker

В ходе проходящего в Мюнхене форума AI DevCon корпорация Intel объявила о запуске Nauta — распределенной платформы глубинного обучения (DL) с открытым исходным кодом. С её помощью разработчики и научные специалисты смогут тренировать готовые к внедрению DL-модели.

Искусственный интеллект (ИИ) продолжает развиваться, а предприятия исследуют варианты его использования для расширения своих бизнес-практик. Согласно недавнему исследованию Gartner, развертывание ИИ повышает реальную стоимость компаний и, по прогнозам, эти технологии к 2022 году создадут почти $4-трлн рынок. Проведённый в прошлом году опрос Deloitte показал, что почти 50 % респондентов использовали глубинное обучение, что на 16 % больше, чем в 2017 году.

Nauta предоставляет собой многопользовательскую распределённую вычислительную среду для проведения экспериментов по обучению DL-моделей на системах с процессорами Intel Xeon Scalable. Платформа может работать с рядом популярных систем машинного обучения, включая MXNet и PyTorch, и использует системы обработки для кластера процессоров Xeon. Результаты можно просматривать и отслеживать с помощью интерфейса командной строки, веб-интерфейса и визуализатора TensorBoard.

Nauta изначально создана для облегчения сотрудничества между членами команды разработчиков. Вводные задания и выходные данные могут быть разделены между участниками проекта и использованы для отладки проблем путём запуска визуализатора TensorBoard.

Мониторинг заданий с использованием TensorBoard и Nauta WebUI

Мониторинг заданий с использованием TensorBoard и Nauta WebUI


Разработчики могут использовать существующие наборы данных, собственные или загруженные из онлайн-источников, а также создавать общие или личные папки, чтобы упростить сотрудничество между группами. Для масштабируемости и простоты управления, Nauta использует компоненты из ведущей в отрасли системы оркестровки Kubernetes, используя Kubeflow и Docker для масштабируемого контейнерного машинного обучения.

Для тестирования моделей Nauta поддерживает пакетный и потоковый вывод. Пакетный вывод вызывает обработку набора подготовленных входных данных для исходной модели обучения и запись результатов в папку. Потоковый вывод вызывает развертывание модели в системе и обработку сингулярных данных по мере их получения. Клиентское программное обеспечение имеет открытую лицензию Apache 2.0 и может работать на Ubuntu 16.04, Red Hat 7.5, MacOS High Sierra и Windows 10.

«Nauta — это стек корпоративного уровня для групп, нуждающихся в запуске рабочих нагрузкок DL для обучения моделей, которые будут развёрнуты в производстве, — сообщил Карлос Моралес (Carlos Morales) в блоге Intel, посвящённом искусственному интеллекту. — С помощью Nauta пользователи могут определять и планировать контейнерные эксперименты DL с использованием Kubernetes на одном или нескольких рабочих узлах, а также проверять состояние и результаты этих экспериментов для дальнейшей настройки и запуска дополнительных экспериментов или для подготовки обученной модели к развертыванию».

Очень популярный движок оркестровки Kubernetes, изначально разработанный Google, облегчает создание и развертывание приложений на основе контейнеров. Этот инструмент позволяет эффективно запускать сетевое программное обеспечение на огромном множестве компьютеров, объединяя их в крупный вычислительный кластер и предоставляя пользователям возможности наблюдать за машинами, работающими в различных облачных сервисах, а также внутри частных центров обработки данных.

Джейсон Найт (Jason Knight) из Intel, выступая на конференции AI DevCon в Мюнхене, сообщил, что Nauta создана на основе Google Kubeflow (для которого Intel является третьим по величине разработчиком кода) и, в сущности, выступает особой версией этого инструмента, подготовленной к производственному процессу. Он также анонсировал открытие исходного кода nGraph — набора, включающего библиотеку C++ с открытым исходным кодом, среду выполнения и компилятор для экосистем глубинного обучения.

Обучение и развертывание глубокой нейронной сети с Nauta

Обучение и развертывание глубинной нейронной сети с Nauta


Хотя ценность бизнеса продолжает расти, а интерес к глубинному обучению в корпоративном секторе очевиден, Intel считает, что работа по интеграции, проверке и оптимизации DL-решений всё ещё сложна, рискованна и трудоёмка. Nauta даёт пользователям возможность использовать передовые практики опытных разработчиков машинного обучения и операторов без ущерба для гибкости. «На каждом уровне абстракции разработчики по-прежнему имеют возможность вернуться к Kubernetes и напрямую использовать примитивы. Nauta даёт новичкам в Kubernetes возможность беспроблемно экспериментировать. Тщательно отобранные компоненты и интуитивно понятный UX-дизайн устраняет сложности, связанные с готовностью к работе, конфигурацией и совместимостью сервисов глубинного обучения с открытым исходным кодом», — поясняет Intel.

Nauta позволяет использовать Kubernetes для управления сквозной оркестрацией ML-конвейеров и запуска рабочего процесса в множественных или гибридных средах (например, переключение между облачными и локальными (on-prem) компоновочными блоками в зависимости от контекста), а также для повторного использования компоновочных блоков в разных рабочих процессах. Платформа предлагает большую гибкость учёным и разработчикам, желающим проводить DL-эксперименты, не беспокоясь о нагрузке на конкретную часть инфраструктуры.

GTC Europe 2017: ПО Vincent превращает наброски на экране в картины великих художников

На выставке GPU Technology Conference, состоявшейся на днях в Мюнхене, бюро дизайна и разработки Cambridge Consultants продемонстрировало инструмент, который создаёт картины на основе сделанных от руки набросков в стилистике великих художников.

В основе Vincent лежит нейросеть, полученная с помощью различных методов глубокого обучения. Основной из них — функция перцептивных потерь — позволяет трансформировать одно изображение в другое, сохраняя высокоуровные признаки и заменяя низкоуровневые (таким образом работает известное приложение Prisma). Однако разработчики Vincent дополнительно применили метод вложенных (stacked) сетей, который подразумевает совместную работу нескольких, натренированных по отдельности, моделей. А главное, логика программы отточена состязательным подходом, когда одна нейронная сеть пытается произвести изображение, стилистически неотличимое от картины какого-либо известного художника, а другая сеть пытается обнаружить отличия между сгенерированным изображением и известными шедеврами.

Обучение Vincent выполнялось на аппаратной платформе NVIDIA DGX-1 (шасси содержит восемь процессоров P100 либо V100) при помощи базы, содержащей тысячи произведений — от эпохи Возрождения до наших дней. В итоговую сеть вошли почти 200 тысяч параметров. В отличие от предшествующих приложений такого рода, которые используют в качестве вводных данных готовые изображения, системе Vincent достаточно предоставить созданный человеком набросок, а сеть затем определит, что «означают» те или иные формы, и заполнит холст в соответствии со стилем выбранного живописца. После того, как трансформация завершена, пользователь может внести изменения, которые будут интегрированы в новую версию картины.

GTC Europe 2017: NVIDIA использует виртуальную реальность для тренировки роботов

На днях NVIDIA запустила программу раннего доступа к виртуальной среде Holodeck, предназначенную для совместного проектирования материальных объектов и тренировки персонала промышленных предприятий в обращении с новым оборудованием. Но данная технология может с таким же успехом применяться в другой сфере — обучении искусственного интеллекта. Для этого предназначен проект Isaac (имя дано в честь Ньютона и Азимова), который компания продемонстрировала на GPU Technology Conference.

В простейшем случае Isaac позволяет роботам, действующим на основе сетей глубокого обучения, многократно ускорить освоение простых физических манипуляций — таких как сортировка и монтаж деталей на конвейере. В данный момент заводские роботы программируются алгоритмическим образом. Как следствие, подготовка последовательности операций занимает сравнительно большое время — это подходит для выпуска изделий большими партиями, но плохо окупается на мелких заказах. С другой стороны, обучение робота при помощи нейросетей может быть ещё более длительным и даже небезопасным, если речь идёт о больших машинах. Оба из этих факторов устраняет предварительный этап тренировки в виртуальной среде, скорость которой ограничена фактически лишь вычислительной мощностью массива GPU. Полученную с помощью Isaac программу затем загружают в память реального робота.

Хотя Isaac позиционируется в первую очередь как средство обучения роботов моторным операциям, таким же образом могут решаться задачи иного класса (распознавание образов, навигация в пространстве и т. д.) — при условии, что VR-среда в каждом конкретном случае обеспечивает лучшую скорость обучения, чем предшествующие методы. К примеру, на GTC при помощи шлема HTC Vive и ПО Isaac можно было сыграть с роботом в домино. Сам Isaac тоже является самообучаемой системой: одновременно могут быть запущены несколько сценариев тренировки, среди которых будет избран наиболее эффективный путь. Последний, в свою очередь, тоже будет размножен на несколько альтернативных сценариев и т. д.

Как и Holodeck, проект Isaac использует движок Unreal Engine 4, а также поддерживает интеграцию с OpenAI Gym — открытом наборе алгоритмов обучения с подкреплением. В данный момент исследователи могут получить доступ к ранней версии Isaac, подав обращение на сайте NVIDIA.

Google купила индийского разработчика искусственного интеллекта Halli Labs

Сегодня стало известно о покупке Google индийской компании Halli Labs, базирующейся в Бангалоре (Индия). Этот стартап, основанный в мае 2017 года, занимается разработками в области искусственного интеллекта. Специалисты Halli Labs главным образом сосредоточены на создании систем глубинного и машинного обучения.

Halli Labs сообщила о сделке с Google на веб-сайте Medium. Факт приобретения Halli Labs затем подтвердил в Твиттере вице-президент Google по продуктам Цезарь Сенгупта (Caesar Sengupta). Детали покупки не раскрываются.

Стартап заявил, что присоединится к команде Next Billion Users компании Google, чтобы «помочь получить больше технологий и информации для людей по всему миру».

Сделка подтверждает интерес технологического гиганта к разработкам в области ИИ, в которой он является одним из признанных лидеров. Google и до этого приобретала разработчиков ИИ, подобных британской DeepMind, а также активно продвигала программы с учебными заведениями для подключения к исследованиям юных талантов.

Помимо Google и её материнской компании Alphabet, активным приобретением стартапов в области ИИ занимаются такие компании, как Baidu, Samsung, Microsoft, Apple, Facebook и Snap.

Сотрудничество Volkswagen и NVIDIA вышло за пределы автоиндустрии

Volkswagen объявила об углублении сотрудничества с NVIDIA с целью расширения использования своих технологий искусственного интеллекта (ИИ) и глубинного обучения за пределами области автономных транспортных средств в других сферах бизнеса.

В 2014 году Volkswagen создала в Мюнхене лабораторию анализа данных. В прошлом году компания наняла профессора Патрика ван дер Смагта (Patrick van der Smagt), возглавившего подразделение по разработке ИИ, реализующее задачу использования этой технологии в таких областях, как «роботизированное предприятие», или в корпоративных настройках.

Предпосылкой для нынешнего объявления о расширении партнёрства стало желание Volkswagen задействовать новые возможности ИИ и глубинного обучения в рамках своих корпоративных бизнес-функций и «в области мобильных услуг», то есть расширить сферу их применения.

Grejeen Business

Grejeen Business

Например, немецкий автопроизводитель сообщил о работе над путями оптимизации транспортного потока в городах и городских районах, а также о большом потенциале новых технологий для интеллектуального взаимодействия человека с роботом.

«Искусственный интеллект — это ключ к цифровому будущему Volkswagen Group. Мы хотим сами разрабатывать и развёртывать высокопроизводительные системы ИИ. Вот почему мы расширяем необходимые специальные знания. Сотрудничество с NVIDIA станет важным шагом в этом направлении», — заявил д-р Мартин Хофманн (Martin Hofmann), ИТ-директор Volkswagen Group.

Помимо работы с собственными брендами Volkswagen, автопроизводитель и NVIDIA объединили усилия, чтобы помочь другим стартапам в автомобильном пространстве. VW Data Lab запустила при помощи NVIDIA программу поддержки стартапов, которая специализируется на машинном и глубинном обучении. В ходе первого этапа будет реализована поддержка пяти стартапов, он стартует осенью этого года. Дуэт также вскоре запустит для студентов проект «Summer of Code».

Новая статья: Репортаж с Intel AI Day: новый мозг для искусственного разума

Данные берутся из публикации Репортаж с Intel AI Day: новый мозг для искусственного разума

Виртуальный помощник Mezi сфокусировался на путешествиях

Стартап Mezi первоначально создавал одноименный программный продукт в качестве универсального интеллектуального виртуального помощника, но разработчики решили сконцентрироваться на одном направлении. Обновлённое приложение Mezi app станет незаменимым помощником для путешественников.

Mezi поможет путешественникам

Mezi поможет путешественникам

Новое приложение позволяет пользователям искать и бронировать билеты, места в отелях, а также резервировать места в ресторанах. Причём все эти действия будут сопровождаться подсказками чат-бота.

Google Trips

Google Trips является одним из самых популярных инструментов для путешественников

В отличие от большинства стартапов, которые используют движок искусственного интеллекта от одного из провайдеров, например, IBM Watson, Mezi решила пойти другим путём и построила собственную систему глубинного обучения с поддержкой обработки речи.

Travel-приложения, такие как Kayak app, Google Trips, Skyscanner, также помогают путешественникам планировать поездки, но многие из них всего лишь дают ссылку на отдельные сайты для завершения покупки. Mezi не только ищет информацию, но и умеет совершить транзакцию. Пользователю достаточно один раз ввести свои персональные данные и реквизиты кредитной карты, а дальше все заботы берёт на себя приложение.

По словам главы компании Свапнила Шинде (Swapnil Shinde), рост количества travel-запросов в три раза превышает запросы на покупки в интернет-магазинах. За последние десять месяцев средняя стоимость заказа (касающегося путешествий) через Mezi составила $505. Это стало решающим фактором для изменения вектора развития приложения.

Toshiba создала самый энергоэффективный нейроморфный процессор

Компания Toshiba Corporation работает над созданием так называемой нейронной сети во временной области (Time Domain Neural Network, TDNN) для Интернета вещей и отрасли Big Data. Особенностью TDNN является использование нового нейроморфного процессора, который отличается сверхнизкой потребляемой мощностью и при этом покрывает потребности глубинного обучения.

Нейронная сеть TDNN

Нейронная сеть TDNN

Нейронные сети и глубинное обучение требуют огромного массива вычислительных операций. Традиционно для этого используются высокопроизводительные процессоры, потребляющие много энергии. Но в отрасли IoT такой подход неприемлем, так как эти устройства не могут обеспечить большой мощности. Для них необходимо разрабатывать микросхемы с высокой энергоэффективностью, которые отличаются высокой производительностью при малых энергетических затратах.

Искусственные нейронные сети открывают новые уникальные возможности

Искусственные нейронные сети открывают новые уникальные возможности

В традиционной фон-неймановской архитектуре большая часть энергии затрачивается на перемещение данных от памяти к процессору. Одним из наиболее эффективных подходов к устранению этого недостатка является размещение огромного массива вычислительных элементов, каждый из которых нацелен на обработку данных, размещённых ближе всего к нему. Эти точки данных получают весовые коэффициенты в процессе преобразования входного сигнала в выходной. Чем ближе точка данных к желаемому выходу, тем выше коэффициент. Схема весовых коэффициентов используется в процессе глубинного обучения.

Построение процессоров для нейронных сетей часто сопряжено с увеличением сложности микросхем и их габаритов. Toshiba нашла способ создать такой вычислительный блок, который состоит всего из трёх логических вентилей и 1-битной памяти. Компания создала прототип чипа, который использует ячейку SRAM в качестве памяти и при этом способен распознавать рукописные фигуры. По энергоэффективности новое решение в 6 раз опережает другие устройства.

Теперь в планах Toshiba использовать ReRAM-память, что, по её мнению, позволит добиться ещё большей энергоэффективности. Конечной целью является разработка микросхемы, которая позволит добавить технологии глубинного обучения в компактные мобильные устройства.

DENSO и Toshiba разработают искусственный интеллект для автомобилей

Официальным пресс-релизом две известные японские компании — производитель запчастей и комплектующих DENSO Corporation и разработчик электроники Toshiba Corporation — объявили о договорённости совместно разрабатывать искусственный интеллект для автомобилей. Совместный проект носит название «Deep Neural Network-Intellectual Property» (DNN-IP). Итоговая разработка будет включать самостоятельно разработанные обеими компаниями технологии по распознаванию объектов, что поможет создать систему помощи водителю и привести к появлению технологий автоматического вождения.

Как следует из названия проекта, технология распознавания объектов системами автомобилей базируется на имитации работы головного мозга человека. Это алгоритм глубинного обучения на основе нейронной сети. В перспективе система на базе технологии Deep Neural Network должна будет работать лучше — быстрее и  точнее, чем на это способен человек.

Концепция работы системы автоматического распознавания объектов (Toshiba)

Концепция работы системы автоматического распознавания объектов (Toshiba)

Современные системы обучения машин опираются на анализ полученных с камер автомобиля картинок с учётом ранее загруженных изображений. Очевидно, что в этом случает учесть все возможные варианты дорожной ситуации просто невозможно. Системы глубинного обучения на базе нейронных сетей способны учиться на данных, получаемых самой системой в процессе сканирования пространства. Тем самым список идентифицируемых объектов быстро расширяется, а точность распознавания растёт.

Партнёры в лице компаний DENSO и Toshiba планируют создать целый спектр решений по глубинному обучению машин с использованием нейронных сетей. Блок для обучения может быть настолько небольшим, что он может быть встроен в состав процессора для управления системами автомобиля или в автомобильные камеры наблюдения.

Блоки для управления системами распознавания с обучением будет выпускать компания DENSO (DENSO)

Блоки для управления системами распознавания с обучением будет выпускать компания DENSO (DENSO)

Комплексную систему по оказанию помощи водителю в управлении машиной или автопилоты будет разрабатывать компания DENSO. Компания Toshiba берёт на себя задачу реализовать технологию «умного» распознавания объектов на дороге в виде электронных схем. При этом эффективность специализированного решения DNN-IP обещает оказаться выше широко используемых в данной сфере универсальных цифровых сигнальных процессоров или графических адаптеров.

Алгоритм Mitsubishi улучшит глубинное обучение в 30 раз

Компания Mitsubishi Electric Corporation заявила о создании нового высокоскоростного алгоритма глубинного машинного обучения, который включает функции логического вывода для идентификации, распознавания и прогнозирования неизвестного на основе известных фактов.

По мнению разработчиков, их алгоритм позволит упростить реализацию машинного обучения в автомобилях, промышленных роботах и других приложениях благодаря существенному уменьшению использования памяти и процессорного времени. Кроме того, отмечается возможность создания недорогих решений для систем искусственного интеллекта.

Mitsubishi Electric

Mitsubishi Electric

Mitsubishi планирует представить свою разработку в ходе Международной конференции по обработке нейронной информации (ICONIP 2016), которая проходит в Киотском университете с 16 по 21 октября. Кроме того, работа будет опубликована в издании Lecture Notes in Computer Science.

bgr.com

bgr.com

По утверждению авторов разработки, алгоритм выигрывает по времени обучения, вычислительной стоимости и требованиям к памяти в 30 раз у типичных систем искусственного интеллекта. Интеллектуальные логические выводы высокого уровня можно будет интегрировать непосредственно во встраиваемые системы без необходимости задействовать сервера и «тяжёлое» сетевое оборудование. Традиционные алгоритмы глубинного машинного обучения требуют построения больших нейронных сетей и большого количества ресурсов, в том числе много памяти.

Согласно данным аналитиков из компании Ernst & Young, рынок технологий искусственного интеллекта в 2015 году составил около $35 млрд. В 2016 году он вырастет ещё на 30 %.

Новая статья: ПаВТ 2016: Ускорители NVIDIA для суперкомпьютеров и нейронных сетей

Данные берутся из публикации ПаВТ 2016: Ускорители NVIDIA для суперкомпьютеров и нейронных сетей

MemNet проанализирует ваши фото на запоминаемость

Каждый из нас наверняка замечал, что одни визуальные образы (лица, пейзажи, картины и т.п.) запечатлеваются в нашей памяти надолго, другие же забываются почти мгновенно. Такая избирательность головного мозга человека подтолкнула исследователей из Лаборатории вычислительной техники и искусственного интеллекта Массачусетского технологического института (CSAIL MIT) к созданию MemNet — алгоритма для определения степени запоминаемости изображений, основанного на технологиях глубокого обучения.

К эксперименту учёные привлекли через Интернет почти пять тысяч добровольцев, которым было предложено последовательно просмотреть некоторое количество картинок. При этом участники исследования должны были нажимать на кнопку каждый раз, когда фотография казалась им знакомой.

Эксперимент показал, что абсолютно разные люди склонны запоминать и забывать в среднем одни и те же изображения. Те из них, что набрали наибольшее количество голосов от респондентов как ранее ими уже виденные, были «пропущены» через MemNet, использующую в своей работе искусственные свёрточные нейронные сети, архитектура которых основана на некоторых принципах функционирования зрительной коры головного мозга человека. Целью было выяснить, сможет ли программа предугадать реальную запоминаемость этих фотографий.

Результат оказался впечатляющим: MemNet оказалась на 30 % продуктивнее в своих прогнозах, чем существующее аналогичное ПО, а погрешность по отношению к реальным показателям оказалась в пределах лишь нескольких процентных пунктов.

Однако, как утверждают авторы проекта, высокая точность прогнозов — не единственное преимущество их разработки. Весьма полезной в практическом применении MemNet может стать функция выделения тех участков снимка, которые являются самыми запоминаемыми из всей композиции, и наоборот. Такие возможности открывают перед MemNet широкие перспективы в применении при создании более эффективной визуальной рекламы, но это в будущем, а пока все желающие могут ознакомиться с демо-версией приложения в режиме онлайн.

window-new
Soft
Hard
Тренды 🔥