【海外ITニュース速報】DECIの新しいツールでAIのロックを解除する

【海外ITニュース速報】DECIの新しいツールでAIのロックを解除する

Unlocking AI at the edge with new tools from Deci

DECIの新しいツールでAIのロックを解除する

要約(英語):

MetaBeat 2022 will bring together thought leaders to give guidance on how metaverse technology will transform the way all industries communicate and do business. The global edge AI (artificial intelligence) market size will reach nearly $39 billion by 2030, a compound annual growth rate of close to 19% over 10 years. The summit will bring together thought leaders to give guidance on how metaverse technology will transform the way all industries communicate and do business.

要約(日本語):

Metabeat 2022は、Metaverse Technologyがすべての業界のコミュニケーションとビジネスの方法をどのように変えるかについてのガイダンスを提供するために、Sound Leadersを集めます。グローバルエッジAI(人工知能)の市場規模は、2030年までに390億ドル近くに達し、10年間で19%近くの複合年間成長率です。このサミットは、Sound Leadersを集めて、すべての業界がコミュニケーションとビジネスを行う方法をメタバーステクノロジーがどのように変えるかについてガイダンスを提供します。

本文:

The Machine

この機械

Making sense of AI

AIを理解する

Were you unable to attend Transform 2022?

Transform 2022に出席できませんでしたか?

Check out all of the summit sessions in our on-demand library now!

今すぐオンデマンドライブラリでサミットセッションをすべてチェックしてください!

Watch here.

ここをご覧ください。

Edge devices must be able to process delivered data quickly, and in real time.

エッジデバイスは、配信されたデータを迅速にリアルタイムで処理できる必要があります。

And, edge AI applications are effective and scalable only when they can make highly accurate imaging predictions.  Take the complex and mission critical task of autonomous driving: All relevant objects in the driving scene must be taken into account — be it pedestrians, lanes, sidewalks, other vehicles or traffic signs and lights.

また、Edge AIアプリケーションは、非常に正確なイメージング予測を作成できる場合にのみ効果的でスケーラブルです。自律運転の複雑でミッションの重要なタスクを取る:歩行者、車線、歩道、その他の車両、交通標識やライトなど、運転シーンのすべての関連するオブジェクトを考慮する必要があります。

“For example, an autonomous vehicle driving through a crowded city must maintain high accuracy while also operating in real time with very low latency; otherwise, drivers’ and pedestrians’ lives can be in danger,” said Yonatan Geifman, CEO and cofounder of deep learning company Deci.  Key to this is semantic segmentation, or image segmentation.

「たとえば、混雑した都市を走行する自動運転車は、非常に低いレイテンシでリアルタイムで動作しながら、高い精度を維持する必要があります。Deep Learning Company DECIのCEO兼共同設立者であるYonatan Geifman氏は、次のように述べています。これの鍵は、セマンティックセグメンテーション、または画像セグメンテーションです。

But, there’s a quandary: Semantic segmentation models are complex, often slowing their performance.  MetaBeat 2022 MetaBeat will bring together thought leaders to give guidance on how metaverse technology will transform the way all industries communicate and do business on October 4 in San Francisco, CA.

しかし、困惑があります。セマンティックセグメンテーションモデルは複雑で、パフォーマンスが遅くなることがよくあります。Metabeat 2022 Metabeatは、10月4日にカリフォルニア州サンフランシスコで、すべての産業がコミュニケーションとビジネスを行う方法をメタバーステクノロジーがどのように変化させるかについてのガイダンスを提供するために、Sound Leadersを集めます。

“There is often a trade-off between the accuracy and the speed and size of these models,” said Geifman, whose company this week released a set of semantic segmentation models, DeciSeg, to help solve this complex problem.

「多くの場合、これらのモデルの精度と速度とサイズの間にトレードオフがあります」と、この複雑な問題を解決するために、今週のセマンティックセグメンテーションモデルのセットであるDecisegをリリースしたGeifman氏は述べています。

“This can be a barrier to real-time edge applications,” said Geifman.

「これは、リアルタイムのエッジアプリケーションに対する障壁になる可能性があります」とGeifman氏は述べています。

“Creating accurate and computational-efficient models is a true pain point for deep learning engineers, who are making great attempts to achieve both the accuracy and speed that will satisfy the task at hand.” According to Allied Market Research, the global edge AI (artificial intelligence) market size will reach nearly $39 billion by 2030, a compound annual growth rate (CAGR) of close to 19% over 10 years.

「正確で計算効率の良いモデルを作成することは、目前のタスクを満たす精度と速度の両方を達成するために大きな試みを行っている深い学習エンジニアにとって真の問題点です。」Allied Market Researchによると、2030年までにグローバルエッジAI(人工知能)の市場規模は、10年間で19%近くの複合年間成長率(CAGR)である2030年までに390億ドル近くに達します。

Meanwhile, Astute Analytica reports that the global edge AI software market will reach more than $8 billion by 2027, a CAGR of nearly 30% from 2021. “Edge computing with AI is a powerful combination that can bring promising applications to both consumers and enterprises,” said Geifman.  For end users, this translates to more speed, improved reliability and overall better experience, he said.

一方、Attute Analyticaは、2021年から2021年までに30%近くのCAGRであるGlobal Edge AIソフトウェア市場が80億ドル以上に達すると報告しています。」ガイフマンは言った。エンドユーザーにとって、これはより速度、信頼性の向上、全体的なより良い経験につながると彼は言いました。

Not to mention better data privacy, as the data used for processing remains on the local device — mobile phones, laptops, tablets — and doesn’t have to be uploaded into third-party cloud services.

より良いデータプライバシーは言うまでもありません。処理に使用されるデータは、携帯電話、ラップトップ、タブレットなどのローカルデバイスに残り、サードパーティのクラウドサービスにアップロードする必要はありません。

For enterprises with consumer applications, this means a significant reduction in cloud compute costs, said Geifman.  Another reason edge AI is so important: Communication bottlenecks.

Geifman氏によると、消費者用途を持つ企業にとって、これはクラウド計算コストの大幅な削減を意味します。もう1つの理由エッジAIが非常に重要です:通信ボトルネック。

Many machine vision edge devices require heavy-duty analysis for video streams in high resolution.

多くのマシンビジョンエッジデバイスには、高解像度のビデオストリームの頑丈な分析が必要です。

But, if the communication requirements are too large relative to network capacity, some users will not obtain the required analysis. “Therefore, moving the computation to the edge, even partially, will allow for operation at scale,” said Geifman.  Semantic segmentation is key to edge AI and is one of the most widely-used computer vision tasks across many business verticals: automotive, healthcare, agriculture, media and entertainment, consumer applications, smart cities, and other image-intensive implementations.  Many of these applications “are critical in the sense that obtaining the correct and real-time segmentation prediction can be a matter of life or death,” said Geifman.  Autonomous vehicles, for one; another is cardiac semantic segmentation.

ただし、ネットワーク容量に比べて通信要件が大きすぎる場合、一部のユーザーは必要な分析を取得しません。「したがって、部分的にさえ、計算をエッジに移動すると、大規模な動作が可能になります」とGeifman氏は述べています。セマンティックセグメンテーションは、AIのEDGEの鍵であり、自動車、ヘルスケア、農業、メディア、エンターテイメント、消費者アプリケーション、スマートシティ、その他の画像集約型の実装など、多くのビジネス業界で最も広く使用されているコンピュータービジョンタスクの1つです。これらのアプリケーションの多くは、「正しいものとリアルタイムのセグメンテーション予測を取得することは生死の問題であるという意味で重要です」とGeifman氏は述べています。自動運転車、1つ。もう1つは心臓セマンティックセグメンテーションです。

For this critical task in MRI analysis, images are partitioned into several anatomically meaningful segments that are used to estimate criticalities such as myocardial mass and wall thickness, explained Geifman.  There are, of course, examples beyond mission-critical situations, he said, such as video conferencing virtual background features or intelligent photography.  Unlike image classification models — which are designed to determine and label one object in a given image — semantic segmentation models assign a label to each pixel in an image, explained Geifman.

MRI分析におけるこの重要なタスクでは、画像は、心筋の質量や壁の厚さなどの重要性を推定するために使用されるいくつかの解剖学的に意味のあるセグメントに分割されます、とGeifmanは説明しました。もちろん、仮想的な背景機能やインテリジェントな写真のビデオ会議など、ミッションクリティカルな状況を超えた例があると彼は言いました。Geifmanによると、画像分類モデル(特定の画像内の1つのオブジェクトを決定してラベル付けするように設計されている)とは異なり、セマンティックセグメンテーションモデルは画像内の各ピクセルにラベルを割り当てます。

They are typically designed using encoder/decoder architecture structure.

通常、エンコーダー/デコーダーアーキテクチャ構造を使用して設計されています。

The encoder progressively downsamples the input while increasing the number of feature maps, thus constructing informative spatial features.

エンコーダーは、機能マップの数を増やしながら、入力を徐々にダウンサンプリングし、有益な空間機能を構築します。

The decoder receives these features and progressively upsamples them into a full-resolution segmentation map.  And, while it is often required for many edge AI applications, there are significant barriers to running semantic segmentation models directly on edge devices.

デコーダーはこれらの機能を受信し、それらを徐々にフル解像度セグメンテーションマップにアップサンプリングします。また、多くのエッジAIアプリケーションに必要なことがよくありますが、エッジデバイスで直接セマンティックセグメンテーションモデルを実行することには大きな障壁があります。

These include high latency and the inability to deploy models due to their size.  Very accurate segmentation models are not only much larger than classification models, explained Geifman, they are also often applied on larger input images, which “quadratically increases” their computational complexity.

これらには、サイズのためにモデルを展開できないことが含まれます。非常に正確なセグメンテーションモデルは分類モデルよりもはるかに大きいだけでなく、Geifman氏は説明しており、多くの場合、より大きな入力画像に適用され、計算の複雑さを「二次的に増加させる」。

This translates into slower inference performance.  As an example: Defect-inspection systems running on manufacturing lines that must maintain high accuracy to reduce false alarms, but can’t sacrifice speed in the process, said Geifman.  The DeciSeg models were automatically generated by Deci’s Automated Neural Architecture Construction (AutoNAC) technology.

これは、推論のパフォーマンスの低下に変換されます。例として:誤ったアラームを減らすために高精度を維持しなければならないが、その過程で速度を犠牲にすることはできない、製造ラインで実行される欠陥インスペクションシステムは述べた。DECISEGモデルは、DECIの自動ニューラルアーキテクチャ構造(AutONAC)テクノロジーによって自動的に生成されました。

The Tel Aviv-based company says these “significantly outperform” existing publicly-available models, including Apple’s MobileViT and Google’s DeepLab.

Tel Avivに本拠を置く会社は、これらはAppleのMobileVitやGoogleのDeepLabを含む既存の公開可能なモデルを「大幅に上回る」と述べています。

As Geifman explained, the AutoNAC engine considers a large search space of neural architectures.

Geifmanが説明したように、Autonacエンジンは神経アーキテクチャの大きな検索スペースを考慮しています。

While searching this space, it takes into account parameters such as baseline accuracy, performance targets, inference hardware, compilers and quantization.

このスペースを検索している間、ベースラインの精度、パフォーマンスターゲット、推論ハードウェア、コンパイラ、量子化などのパラメーターを考慮します。

AutoNAC attempts to solve a constrained optimization problem while completing several objectives at once — that is, preserving the baseline accuracy with a model that has a certain memory footprint.

Autonacは、いくつかの目標を一度に完了しながら、制約された最適化問題を解決しようとします。つまり、特定のメモリフットプリントを持つモデルでベースラインの精度を維持します。

The models deliver more than 2 times lower latency and 3 to 7% higher accuracy, said Geifman.

モデルは、レイテンシの2倍以上、3〜7%の精度を実現します、とGeifman氏は言います。

This allows companies to develop new use cases and applications on edge AI devices, reduce inference costs (as AI practitioners will no longer need to run tasks in expensive cloud environments), open new markets and shorten development times, said Geifman.

これにより、企業はEDGE AIデバイスで新しいユースケースとアプリケーションを開発し、推論コストを削減し(AIの実践者は高価なクラウド環境でタスクを実行する必要がなくなり、新しい市場を開き、開発時間を短くすることができます。

AI teams can resolve deployment challenges while obtaining the desired accuracy, speed, and model size.

AIチームは、希望する精度、速度、モデルサイズを取得しながら、展開の課題を解決できます。

“DeciSeg models enable semantic segmentation tasks that previously could not be carried out on edge applications because they were too resource intensive,” said Geifman.

「Decisegモデルは、リソースが集中しすぎているため、以前はエッジアプリケーションで実行できなかったセマンティックセグメンテーションタスクを可能にします」とGeifman氏は述べています。

The new set of models “have the potential to transform industries at large.” VentureBeat's mission is to be a digital town square for technical decision-makers to gain knowledge about transformative enterprise technology and transact.

モデルの新しいセットは、「産業全体を変革する可能性があります」。VentureBeatの使命は、技術的な意思決定者が変革的なエンタープライズテクノロジーと取引に関する知識を得るためのデジタルタウンスクエアになることです。

Discover our Briefings.

ブリーフィングを発見してください。

Join metaverse thought leaders in San Francisco on October 4 to learn how metaverse technology will transform the way all industries communicate and do business.

10月4日にサンフランシスコのメタバース思考リーダーに参加して、メタバーステクノロジーがすべての業界のコミュニケーションとビジネスの方法をどのように変えるかを学びます。

Did you miss a session from Transform 2022?

Transform 2022のセッションを逃しましたか?

Head over to the on-demand library for all of our featured sessions. © 2022 VentureBeat.

注目のセッションのすべてのために、オンデマンドライブラリにアクセスしてください。©2022 VentureBeat。

All rights reserved.

全著作権所有。

We may collect cookies and other personal information from your interaction with our

私たちはあなたとのやり取りからクッキーやその他の個人情報を収集するかもしれません

website.

Webサイト。

For more information on the categories of personal information we collect and the purposes we use

私たちが収集する個人情報のカテゴリと使用する目的の詳細については

them for,

彼らのために、

please view our

私たちを見てください

元記事

Unlocking AI at the edge with new tools from Deci

Newsカテゴリの最新記事