اینتل کیت های بنچمارک AI منبع باز را منتشر کرد

اینتل اولین مجموعه از کیت های مرجع هوش مصنوعی منبع باز را منتشر کرده است که به طور خاص طراحی شده اند تا هوش مصنوعی را برای سازمان ها در محیط های داخلی، ابری و لبه ها در دسترس تر کنند. کیت های مرجع برای اولین بار در اینتل ویژن معرفی شدند و شامل کد مدل هوش مصنوعی، دستورالعمل های خط لوله یادگیری ماشین سرتاسر، کتابخانه ها، و اجزای OneAPI اینتل برای عملکرد معماری متقابل هستند. این کیت‌ها به دانشمندان داده و توسعه‌دهندگان این امکان را می‌دهد تا یاد بگیرند که چگونه هوش مصنوعی را سریع‌تر و آسان‌تر در مراقبت‌های بهداشتی، تولید، خرده‌فروشی و سایر صنایع با دقت بیشتر، عملکرد بهتر و هزینه کلی پایین‌تر پیاده‌سازی کنند.

امروز چهار کیت برای دانلود در دسترس است:
سلامت دارایی های سودمند: با ادامه رشد مصرف انرژی در سراسر جهان، انتظار می رود دارایی های توزیع برق میدانی افزایش یابد. این مدل تجزیه و تحلیل پیش‌بینی‌کننده برای کمک به شرکت‌ها در ارائه قابلیت اطمینان خدمات بیشتر آموزش داده شد. از XGBoost مبتنی بر اینتل از طریق کتابخانه تجزیه و تحلیل داده های اینتل oneAPI برای مدل سازی سلامت قطب سودمند با 34 ویژگی و بیش از 10 میلیون نقطه داده استفاده می کند. داده ها شامل سن دارایی، خواص مکانیکی، داده های مکانی، بازرسی ها، سازنده، تاریخچه تعمیر و نگهداری قبلی و سوابق خرابی است. مدل تعمیر و نگهداری دارایی پیش‌بینی‌کننده به‌طور مداوم با ارائه داده‌های جدید، مانند سازنده قطب جدید، خرابی‌ها و سایر تغییرات وضعیت، یاد می‌گیرد.

نمایه سازی هوشمند اسناد: شرکت ها سالانه میلیون ها سند را پردازش و تجزیه و تحلیل می کنند و بسیاری از اسناد نیمه ساختاریافته و بدون ساختار به صورت دستی هدایت می شوند. هوش مصنوعی می‌تواند پردازش و دسته‌بندی این اسناد را برای مسیریابی سریع‌تر و کاهش هزینه‌های نیروی کار خودکار کند. با استفاده از یک مدل طبقه‌بندی بردار پشتیبانی (SVC)، این کیت با توزیع Modin اینتل و پسوند Intel برای Scikit-learn با پشتیبانی از oneAPI بهینه‌سازی شد. این ابزارها زمان‌های پیش‌پردازش، آموزش و استنتاج داده‌ها را به ترتیب 46، 96 و 60 درصد سریع‌تر در مقایسه با اجرای کیت نمایه‌سازی اسناد هوشمند موجود از Accenture بدون بهینه‌سازی اینتل برای بررسی و مرتب‌سازی اسناد با دقت 65 درصد بهبود می‌بخشند.

کنترل کیفیت بصری: کنترل کیفیت (QC) در هر عملیات تولیدی ضروری است. چالش تکنیک های بینایی کامپیوتری این است که آنها اغلب به قدرت محاسباتی گرافیکی قابل توجهی در حین آموزش و بازآموزی مکرر با معرفی محصولات جدید نیاز دارند. مدل AI Visual QC با استفاده از Intel AI Analytics Toolkit، از جمله Intel Optimization برای PyTorch و Intel Distribution of OpenVINO Toolkit آموزش داده شده است، که هر دو توسط oneAPI پشتیبانی می شوند تا آموزش و استنتاج را به ترتیب 20% و 55% سریعتر در مقایسه با Stock Accenture بهینه کنند. اجرای کیت کیفیت بصری بدون بهینه‌سازی اینتل برای بارهای کاری بینایی کامپیوتر روی CPU، GPU و دیگر معماری‌های شتاب‌دهنده. با استفاده از بینایی کامپیوتر و طبقه‌بندی SqueezeNet، مدل AI Visual QC از تنظیم و بهینه‌سازی هایپرپارامتر برای تشخیص عیوب در قرص‌های دارویی با دقت ۹۵ درصد استفاده کرد.

چرا مهم است: توسعه دهندگان به دنبال ادغام هوش مصنوعی در راه حل های خود هستند و کیت های مرجع به این هدف کمک می کنند. این کیت ها بر روی مجموعه نرم افزارهای هوش مصنوعی اینتل از ابزارهای انتها به انتها و بهینه سازی چارچوب ساخته شده و تکمیل می شوند. این ابزارها که بر اساس مدل برنامه‌نویسی ناهمگن oneAPI مبتنی بر استاندارد ساخته شده‌اند، عملکردی را در چندین نوع معماری ارائه می‌کنند، این ابزارها به دانشمندان داده کمک می‌کنند تا با غلبه بر محدودیت‌ها در محیط‌های اختصاصی، مدل‌ها را سریع‌تر و مقرون‌به‌صرفه‌تر آموزش دهند.

دانلود رایگان از وب سایت Intel.com AI Reference Kits. کیت ها در Github نیز موجود هستند.

نکته بعدی: در طول سال آینده، اینتل مجموعه‌ای از کیت‌های معیار AI منبع باز اضافی با مدل‌های یادگیری ماشینی و یادگیری عمیق را منتشر خواهد کرد که برای کمک به سازمان‌ها با هر اندازه در سفرشان به سمت تحول دیجیتال آموزش دیده‌اند.