Intel lanza kits de referencia de IA de código abierto

Los diseños de código abierto simplifican el desarrollo de IA para soluciones en la atención médica, la fabricación, el comercio minorista y otras industrias.

author-image

Por

Qué hay nuevo: Intel ha lanzado el primer conjunto de kits de referencia de IA de código abierto diseñados específicamente para hacer que la IA sea más accesible para las organizaciones en entornos locales, en la nube y perimetrales. Presentados por primera vez en Intel Vision, los kits de referencia incluyen código de modelo de IA, instrucciones de canalización de aprendizaje automático de extremo a extremo, bibliotecas y componentes Intel oneAPI para un rendimiento entre arquitecturas. Estos kits permiten a los científicos y desarrolladores de datos aprender a implementar la IA de manera más rápida y fácil en las industrias de atención médica, fabricación, venta minorista y otras con mayor precisión, mejor rendimiento y menor costo total de implementación.

"La innovación prospera en un entorno abierto y democratizado. El ecosistema de software de IA abierta acelerada de Intel, que incluye marcos populares optimizados y las herramientas de IA de Intel, se basan en la base de un modelo de programación oneAPI abierto, unificado y basado en estándares. Estos kits de referencia, construidos con componentes de la cartera de software de IA de extremo a extremo de Intel, permitirán a millones de desarrolladores y científicos de datos introducir la IA de forma rápida y sencilla en sus aplicaciones o impulsar sus soluciones inteligentes existentes".

–Wei Li, Ph.D., vicepresidente de Intel y gerente general de IA y Análisis

Acerca de los kits de referencia de IA: Las cargas de trabajo de IA continúan creciendo y diversificándose con casos de uso en visión, habla, sistemas de recomendación y más. Los kits de referencia de IA de Intel, construidos en colaboración con Accenture, están diseñados para acelerar la adopción de la IA en todas las industrias. Son IA de código abierto, prediseñadas con contextos empresariales significativos tanto para la introducción de IA greenfield como para los cambios estratégicos en las soluciones de IA existentes.

Cuatro kits están disponibles para su descarga hoy:
 

  • Salud de los activos de servicios públicos: A medida que el consumo de energía continúa creciendo en todo el mundo, se espera que los activos de distribución de energía en el campo crezcan. Este modelo de análisis predictivo fue entrenado para ayudar a las empresas de servicios públicos a ofrecer una mayor confiabilidad del servicio. Utiliza XGBoost optimizado para Intel a través de intel® oneAPI Data Analytics Library para modelar el estado de los postes de servicios públicos con 34 atributos y más de 10 millones de puntosde datos 1. Los datos incluyen la antigüedad de los activos, las propiedades mecánicas, los datos geoespaciales, las inspecciones, el fabricante, el historial previo de reparación y mantenimiento, y los registros de interrupciones. El modelo predictivo de mantenimiento de activos aprende continuamente a medida que se proporcionan nuevos datos, como el nuevo fabricante de postes, interrupciones y otros cambios en la condición.

  • Control de calidad visual: El control de calidad (QC) es esencial en cualquier operación de fabricación. El desafío con las técnicas de visión por computadora es que a menudo requieren una gran potencia de cómputo de gráficos durante el entrenamiento y un reentrenamiento frecuente a medida que se introducen nuevos productos. El modelo AI Visual QC se practicó utilizando Intel® AI Analytics Toolkit, incluida Intel® Optimization for PyTorch e Intel® Distribution of OpenVINO™ toolkit, ambos impulsados por oneAPI para optimizar la capacitación y la inferencia para que sean un 20% y un 55% más rápidas, respectivamente, en comparación con la implementación en stock del kit de control de calidad visual de Accenture sin optimizaciones de Intel2 para cargas de trabajo de visión artificial en toda la CPU, GPU y otras arquitecturas basadas en aceleradores. Utilizando la visión por computadora y la clasificación SqueezeNet, el modelo AI Visual QC utilizó el ajuste y la optimización de hiperparámetros para detectar defectos de píldoras farmacéuticas con una precisión del 95%.

  • Chatbot de clientes: Los chatbots conversacionales se han convertido en un servicio crítico para apoyar las iniciativas en toda la empresa. Los modelos de IA que admiten interacciones conversacionales de chatbot son masivos y altamente complejos. Este kit de referencia incluye modelos de procesamiento de lenguaje natural de aprendizaje profundo para la clasificación de intenciones y el reconocimiento de entidades con nombre utilizando BERT y PyTorch. Intel® Extension para PyTorch e Intel Distribution del kit de herramientas OpenVINO optimizan el modelo para un mejor rendimiento (inferencia un 45% más rápida en comparación con la implementación en stock del kit de chatbot para clientes de Accenture sin optimizaciones intel3) en arquitecturas heterogéneas y permiten a los desarrolladores reutilizar el código de desarrollo del modelo con cambios mínimos de código para la capacitación y la inferencia.

  • Indexación inteligente de documentos: Las empresas procesan y analizan millones de documentos cada año, y muchos de los documentos semiestructurados y no estructurados se enrutan manualmente. La IA puede automatizar el procesamiento y la categorización de estos documentos para un enrutamiento más rápido y menores costos de mano de obra. Utilizando un modelo de clasificación de vectores de soporte (SVC), este kit se optimizó con Intel® Distribution of Modin e Intel® Extension para Scikit-learn con tecnología oneAPI. Estas herramientas mejoran los tiempos de preprocesamiento, capacitación e inferencia de datos para que sean un 46%, 96% y 60% más rápidos, respectivamente, en comparación con la implementación de stock del kit de indexación de documentos Accenture Intelligent sin optimizaciones Intel4 para revisar y ordenar los documentos con una precisión del 65%.

Descárguelo gratis en el sitio web de Intel.com AI Reference Kits. Los kits también están disponibles en Github.

Por qué es importante: Los desarrolladores están buscando infundir IA en sus soluciones y los kits de referencia contribuyen a ese objetivo. Estos kits se basan y complementan la cartera de software de IA de Intel de herramientas de extremo a extremo y optimizaciones de marcos. Construidas sobre la base del modelo de programación heterogéneo, abierto y basado en estándares de oneAPI , que ofrece rendimiento en múltiples tipos de arquitecturas, estas herramientas ayudan a los científicos de datos a entrenar modelos más rápido y a menor costo al superar las limitaciones de los entornos propietarios.

Lo que sigue: Durante el próximo año, Intel lanzará una serie de kits de referencia de IA de código abierto adicionales con modelos capacitados de aprendizaje automático y aprendizaje profundo para ayudar a las organizaciones de todos los tamaños en su viaje de transformación digital.

Más contexto: oneAPI Dev Summit for AI| | Intel oneAPI | Herramientas de IA de Intel

La letra pequeña:

Avisos y exenciones de responsabilidad

1 Predictive Utility Analytics Reference Kit, medido el 29 de junio de 2022. Configuración de HW: Microsoft Azure Standard D4_v5, OS: Ubuntu 20.04.4 LTS (Focal Fossa), 8 X CPU Intel® Xeon® Platinum 8370C @ 2.80GHz, 2 hilos / núcleo, 4 núcleos / zócalo, 1 zócalo. Configuración de SW: Config 1 (Python v3.9, Scikit-learn v 1.0.2, Xgboost v0.81), Config 2 (Intel® Distribution for Python 3.9.12 2022.0.0, Scikit-learn 0.24.2, Intel® Extension for Scikit-learn 2021.5.1, Xgboost 1.4.3, daap4py 2021.6.0). Detalles adicionales en https://github.com/oneapi-src/predictive-health-analytics. Los resultados pueden variar.

2 Kit de referencia de inspección de calidad visual, medido el 29 de junio de 2022. Configuración de HW: Microsoft Azure Standard D4_v5, SO: Ubuntu 20.04.4 LTS (Focal Fossa), 4 X CPU Intel® Xeon® Platinum 8370C @ 2.80GHz, 2 hilos / núcleo, 2 núcleos / zócalo, 1 zócalo. Configuración de SW: Config 1 (PyTorch v1.8.0), Config 2 (Intel® Extension for PyTorch v1.8.0, Intel® Neural Compressor v1.12, Intel® Distribution of OpenVINO Toolkit 2021.4.2). Detalles adicionales en https://github.com/oneapi-src/visual-quality-inspection. Los resultados pueden variar.

3 Kit de referencia de chatbot para clientes, medido el 22 de junio de 2022. Configuración de HW: Microsoft Azure Standard D4_v5, SO: Red Hat Enterprise Linux Server 7.9, 4 CPU Intel® Xeon® Platinum 8370C a 2,80 GHz, 2 hilos/núcleo, 2 núcleos/socket, 1 socket. Configuración de SW: Config 1 (PyTorch v1.11), Config 2 (PyTorch v1.11.0, Intel® Extension for PyTorch v1.11.200, Intel® Neural Compressor v1.12). Detalles adicionales en https://github.com/oneapi-src/customer-chatbot. Los resultados pueden variar.

4 Intelligent Indexing Reference Kit, medido el 22 de junio de 2022. Configuración de HW: Amazon AWS m6i.xlarge, SO: Red Hat Enterprise Linux Server 7.9, 4 CPU Intel® Xeon® Platinum 8370C a 2,80 GHz, 2 hilos/núcleo, 2 núcleos/socket, 1 zócalo. Configuración de SW: Config 1 (Pandas, Scikit-learn), Config 2 (Intel® AI Analytics Toolkit v 2021.4.1, Intel® Extension for Scikit-learn, Intel® Distribution of Modin). Detalles adicionales en https://github.com/oneapi-src/intelligent-indexing. Los resultados pueden variar.

El desempeño varía según el uso, la configuración y otros factores. Más información en www.Intel.com/PerformanceIndex.

Los resultados pueden variar. Los resultados de desempeño se basan en pruebas realizadas a partir de las fechas indicadas en las configuraciones y es posible que no reflejen todas las actualizaciones que están a disposición del público.

Ningún producto o componente puede ser absolutamente seguro.

Sus costos y resultados pueden variar.

Las tecnologías Intel podrían requerir hardware y software habilitados, o la activación de servicios.

Intel no controla ni audita los datos de terceros. Consulte otras fuentes para evaluar la exactitud.