Intel lança kits de referência de IA de código aberto

Novidade: A Intel lançou o primeiro conjunto de kits de referência de IA de código aberto especificamente projetados para tornar a IA mais acessível às organizações em ambientes on-prem, nuvem e edge. Introduzidos pela primeira vez no Intel Vision, os kits de referência incluem código de modelo de IA, instruções de pipeline de aprendizado de máquina de ponta a ponta, bibliotecas e componentes Intel oneAPI para desempenho de arquitetura cruzada. Esses kits permitem que cientistas e desenvolvedores de dados aprendam a implantar IA mais rápido e facilmente em saúde, manufatura, varejo e outros setores com maior precisão, melhor desempenho e menor custo total de implementação.

Sobre os kits de referência de IA: As cargas de trabalho de IA continuam a crescer e diversificar com casos de uso em sistemas de visão, fala, recomendadores e muito mais. Os kits de referência de IA da Intel, construídos em colaboração com a Accenture, foram projetados para acelerar a adoção de IA em todas as indústrias. São IA de código aberto, pré-construída com contextos corporativos significativos tanto para introdução de IA greenfield quanto para mudanças estratégicas nas soluções de IA existentes.

Quatro kits estão disponíveis para download hoje:

• Saúde dos ativosde utilidade: À medida que o consumo de energia continua a crescer em todo o mundo, espera-se que os ativos de distribuição de energia no campo cresçam. Este modelo de análise preditiva foi treinado para ajudar os utilitários a fornecer maior confiabilidade do serviço. Ele usa o XGBoost otimizado pela Intel através da Biblioteca de Análise de Dados Intel® oneAPI para modelar a saúde dos postes de utilidades com 34 atributos e mais de 10 milhões de pontos de dados ¹. Os dados incluem idade patrimonial, propriedades mecânicas, dados geoespaciais, inspeções, fabricante, histórico de reparo e manutenção prévio e registros de paralisação. O modelo de manutenção preditiva de ativos aprende continuamente à medida que novos dados, como novo fabricante de postes, paralisações e outras mudanças de condição, são fornecidos.

• Controle de qualidadevisual: O controle de qualidade (QC) é essencial em qualquer operação de fabricação. O desafio com as técnicas de visão computacional é que eles muitas vezes requerem poder de computação gráfica pesada durante o treinamento e retreinamento frequente à medida que novos produtos são introduzidos. O modelo AI Visual QC foi treinado usando o Intel® AI Analytics Toolkit, incluindo a Otimização Intel® para PyTorch e a Distribuição Intel® do kit de ferramentas OpenVINO™, ambos alimentados pela OneAPI para otimizar o treinamento e inferência para ser 20% e 55% mais rápido, respectivamente, em comparação com a implementação de estoque do kit de controle de qualidade visual Accenture sem que a Intel otimize² para cargas de trabalho de visão computacional em toda a CPU, GPU e outras arquiteturas baseadas em acelerador. Usando visão computacional e classificação SqueezeNet, o modelo AI Visual QC usou ajuste e otimização de hiperparmetro para detectar defeitos de pílula farmacêutica com 95% de precisão.

• Chatbot para cliente: Os chatbots conversadores tornaram-se um serviço crítico para apoiar iniciativas em toda a empresa. Modelos de IA que suportam interações de chatbot conversacional são massivos e altamente complexos. Este kit de referência inclui modelos de processamento de linguagem natural de aprendizagem profunda para classificação de intenções e reconhecimento de entidades nomeadas usando BERT e PyTorch. A Intel® Extension for PyTorch e a Intel Distribution of OpenVINO toolkit otimizam o modelo para melhor desempenho -- inferência 45% mais rápida em comparação com a implementação de estoque do kit chatbot do cliente Accenture sem otimizações Intel³-- em arquiteturas heterogêneas e permitem que os desenvolvedores reutilizem o código de desenvolvimento de modelos com mudanças mínimas de código para treinamento e inferência.

• Indexação inteligente de documentos: As empresas processam e analisam milhões de documentos todos os anos, e muitos dos documentos semiestruturados e não estruturados são encaminhados manualmente. A IA pode automatizar o processamento e a categorização desses documentos para roteamento mais rápido e custos manuais de trabalho mais baixos. Usando um modelo de classificação vetorial de suporte (SVC), este kit foi otimizado com a Distribuição Intel® de Modin e a Extensão Intel® para scikit-learn alimentado por oneAPI. Essas ferramentas melhoram os tempos de pré-processamento, treinamento e inferência de dados para 46%, 96% e 60% mais rápidos, respectivamente, em comparação com a implementação de estoque do kit de indexação de documentos Accenture Intelligent sem otimizações Intel⁴ para revisão e classificação dos documentos com 65% de precisão.

Baixe gratuitamente no site Intel.com AI Reference Kits. Os kits também estão disponíveis no Github.

Por que importa: Os desenvolvedores estão procurando infundir a IA em suas soluções e os kits de referência contribuem para esse objetivo. Esses kits se baseiam e complementam o portfólio de software de IA da Intel de ferramentas completas e otimizações de estrutura. Construídas com base no modelo de programação aberto, baseado em padrões e heterogêneo, baseado em padrões, que oferece desempenho em vários tipos de arquiteturas, essas ferramentas ajudam os cientistas de dados a treinar modelos mais rápido e a um custo menor, superando as limitações dos ambientes proprietários.

O que vem a seguir: Durante o próximo ano, a Intel lançará uma série de kits adicionais de referência em IA de código aberto com modelos treinados de aprendizado de máquina e deep learning para ajudar organizações de todos os tamanhos em sua jornada de transformação digital.

Mais Contexto:oneAPI Dev Summit for AI| Intel oneAPI | Ferramentas intel de IA

_{A pequena impressão:}

_{Avisos legais e isenções de responsabilidade}

_{¹ Kit de referência de análise preditiva do utilitário, medido em 29 de junho de 2022. Configuração HW: Microsoft Azure Standard D4_v5, OS: Ubuntu 20.04.4 LTS (Focal Fossa), CPU 8 X Intel® Xeon® Platinum 8370C @ 2.80GHz, 2 threads/núcleo, 4 núcleos/soquete, 1 soquete. Configuração SW: Config 1 (Python v3.9, Scikit-learn v 1.0.2, Xgboost v0.81), Config 2 (Distribuição Intel® para Python 3.9.12 2022.0.0, Scikit-learn 0.24.2, Intel® Extension para Scikit-learn 2021.5.1, Xgboost 1.4.3, daap4py 2021.6.0). Mais detalhes em https://github.com/oneapi-src/predictive-health-analytics. Os resultados podem variar.}

_{² Kit de Referência de Inspeção de Qualidade Visual, medido em 29 de junho de 2022. Configuração HW: Microsoft Azure Standard D4_v5, OS: Ubuntu 20.04.4 LTS (Focal Fossa), CPU 4 X Intel® Xeon® Platinum 8370C @ 2.80GHz, 2 threads/core, 2 núcleos/soquete, 1 soquete. Configuração SW: Config 1 (PyTorch v1.8.0), Config 2 (® Intel Extension for PyTorch v1.8.0, Intel® Neural Compressor v1.12, Distribuição Intel® do OpenVINO Toolkit 2021.4.2). Mais detalhes em https://github.com/oneapi-src/visual-quality-inspection. Os resultados podem variar.}

_{³ Kit de referência do Customer Chatbot, medido em 22 de junho de 2022. Configuração HW: Microsoft Azure Standard D4_v5, OS: Red Hat Enterprise Linux Server 7.9, 4 X Intel® Xeon® Platinum 8370C CPU @ 2.80GHz, 2 threads/core, 2 núcleos/soquete, 1 soquete. Configuração SW: Config 1 (PyTorch v1.11), Config 2 (PyTorch v1.11.0, Extensão Intel® para PyTorch v1.11.200, Intel® Neural Compressor v1.12). Detalhes adicionais em https://github.com/oneapi-src/customer-chatbot. Os resultados podem variar.}

_{⁴ Kit de referência de indexação inteligente, medido em 22 de junho de 2022. Configuração HW: Amazon AWS m6i.xlarge, OS: Red Hat Enterprise Linux Server 7.9, 4 X Intel® Xeon® Platinum 8370C CPU @ 2.80GHz, 2 threads/core, 2 núcleos/soquete, 1 soquete. Configuração 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). Mais detalhes em https://github.com/oneapi-src/intelligent-indexing. Os resultados podem variar.}

_{O desempenho varia de acordo com o uso, as configurações e outros fatores. Saiba mais em www.Intel.com/PerformanceIndex.}

_{Os resultados podem variar. Os resultados de desempenho são baseados em testes realizados nas datas exibidas nas configurações e podem não incluir todas as atualizações disponíveis ao público.}

_{Nenhum produto ou componente pode ser totalmente seguro.}

_{Os custos e resultados podem variar.}

_{As tecnologias Intel podem exigir ativação de hardware, software ou de serviços.}

_{A Intel não controla ou audita dados de terceiros. Você deve consultar outras fontes para avaliar a precisão.}