Kraftige datasynsalgoritmer er nå små nok til å kjøre på telefonen

Kategori: Kunstig intelligens Lagt ut 11. okt

Forskere har krympet state-of-the-art datasynsmodeller for å kjøre på enheter med lite strøm.

Voksesmerter: Visuell gjenkjenning er dyp lærings sterkeste ferdighet. Datasynsalgoritmer analyserer medisinske bilder, muliggjør selvkjørende biler og driver ansiktsgjenkjenning. Men treningsmodeller for å gjenkjenne handlinger i videoer har blitt stadig dyrere. Dette har ført til bekymring for teknologiens karbonavtrykk og dens økende utilgjengelighet i miljøer med lite ressurser.

Forskningen: Forskere ved MIT-IBM Watson AI Lab har nå utviklet en ny teknikk for opplæring av videogjenkjenningsmodeller på en telefon eller annen enhet med svært begrenset prosesseringskapasitet. Vanligvis vil en algoritme behandle video ved å dele den opp i bilderammer og kjøre gjenkjenningsalgoritmer på hver av dem. Deretter setter den sammen handlingene som vises i videoen ved å se hvordan objektene endres over påfølgende bilder. Metoden krever at algoritmen husker hva den har sett i hver ramme og rekkefølgen den har sett den i. Dette er unødvendig ineffektivt.

I den nye tilnærmingen trekker algoritmen i stedet ut grunnleggende skisser av objektene i hver ramme, og legger dem over hverandre. I stedet for å huske hva som skjedde når, kan algoritmen få et inntrykk av tidens gang ved å se på hvordan objektene forskyves gjennom rommet i skissene. I testingen fant forskerne at den nye tilnærmingen trente videogjenkjenningsmodeller tre ganger raskere enn den nyeste teknologien. Det var også i stand til å raskt klassifisere håndbevegelser med en liten datamaskin og kamera som bare kjører på nok energi til å drive en sykkellykt.

Hvorfor det er viktig: Den nye teknikken kan bidra til å redusere etterslep og beregningskostnader i eksisterende kommersielle bruksområder for datasyn. Det kan for eksempel gjøre selvkjørende biler tryggere ved å fremskynde reaksjonen på innkommende visuell informasjon. Teknikken kan også låse opp nye applikasjoner som tidligere ikke var mulig, for eksempel ved å gjøre det mulig for telefoner å hjelpe med å diagnostisere pasienter eller analysere medisinske bilder.

Distribuert AI: Etter hvert som mer og mer AI-forskning blir oversatt til applikasjoner, vil behovet for mindre modeller øke. MIT-IBM-papiret er en del av en økende trend for å krympe toppmoderne modeller til en mer håndterlig størrelse.

For å få flere historier som dette levert direkte til innboksen din, meld deg på vårt Webby-nominerte AI-nyhetsbrev The Algorithm. Det er gratis.