El 14 de diciembre 2018, IBM lanzó NeuNetS, una capacidad fundamentalmente nueva que aborda la brecha de habilidades para el desarrollo de los últimos modelos de inteligencia artificial para una amplia gama de dominios comerciales. NeuNetS utiliza IA para sintetizar automáticamente modelos de redes neuronales profundas más rápido y más fácil que nunca, ampliar la adopción de la IA por parte de empresas y pymes. Automatizando completamente el desarrollo y la implementación del modelo de IA, NeuNetS permite a los usuarios no expertos construir redes neuronales para tareas y conjuntos de datos específicos en una fracción del tiempo que lleva hoy, sin sacrificar la precisión.

La necesidad de automatización

La IA está cambiando la forma en que las empresas trabajan e innovan. Las redes neuronales artificiales son posiblemente la herramienta más poderosa disponible actualmente para los científicos de datos. Sin embargo, Si bien solo una pequeña proporción de científicos de datos tiene las habilidades y la experiencia necesarias para crear una red neuronal de alto rendimiento desde cero, al mismo tiempo, la demanda supera con creces la oferta. Como resultado, la mayoría de las empresas luchan por llegar rápida y eficazmente a una nueva red neuronal que está diseñada arquitectónicamente a medida para satisfacer las necesidades de sus aplicaciones particulares, incluso en la etapa de prueba de concepto. Por lo tanto, Las tecnologías que cierran esta brecha de habilidades al diseñar automáticamente la arquitectura de las redes neuronales para un conjunto de datos dado, están ganando cada vez más importancia. El motor NeuNetS incorpora la inteligencia artificial a esta canalización para acelerar los resultados. El uso de IA para el desarrollo de modelos de IA aporta un grado de escalabilidad nuevo y muy necesario para el desarrollo de tecnologías de IA.

Bajo el capó de NeuNetS

NeuNetS se ejecuta en un entorno completamente en contenedores desplegado en IBM Cloud con Kubernetes. La arquitectura está diseñada para minimizar la interacción humana, automatizar la carga de trabajo del usuario, y mejorar el uso. Los usuarios no necesitan escribir código ni tener experiencia con los marcos de aprendizaje profundo existentes:todo está automatizado, a partir de la ingestión y el preprocesamiento del conjunto de datos, al entrenamiento de búsqueda de arquitectura y despliegue de modelos. A medida que el campo de la automatización de la IA avanza a un ritmo acelerado, el sistema debe poder incorporar los últimos enfoques con un impacto mínimo en el servicio en ejecución. Como tal, hemos diseñado el marco NeuNetS para que sea flexible y modular, para que se puedan incluir nuevos y potentes algoritmos en cualquier momento. NeuNetS aprovecha los activos de IBM existentes, como DLaaS, HPO, y WML. Los modelos de redes neuronales se sintetizan en las GPU NVIDIA Tesla V100 de última generación.

Tecnología de investigación de vanguardia

Los algoritmos de NeuNetS están diseñados para crear nuevos modelos de redes neuronales sin reutilizar modelos previamente entrenados. Esto nos permite explorar un amplio espacio de configuraciones de arquitectura de red y al mismo tiempo ajustar el modelo para el conjunto de datos específico proporcionado por el usuario.

La cartera de algoritmos de NeuNetS incluye versiones mejoradas de trabajos publicados recientemente, como TAPAS [3], NCEvolve [4], y HDMS [5], así como un motor optimizador de grano fino. Estos algoritmos dan un paso adelante con respecto al estado del arte en la literatura y en la práctica, abordar problemas fundamentales como la generalidad del conjunto de datos y la escalabilidad del rendimiento. TAPAS es un sintetizador de redes neuronales extremadamente rápido, actuando cerca de los enfoques de aprendizaje por transferencia confiando en mecanismos de predicción inteligente y de verdad fundamental pregenerados. NCEvolve sintetiza redes de alto rendimiento, minimizando la cantidad de tiempo de capacitación y las necesidades de recursos. HDMS combina una versión mejorada de hiperbanda con aprendizaje por refuerzo para sintetizar redes adaptadas a los conjuntos de datos menos comunes. Por último, si bien no menos importante, nuestro motor de síntesis de grano fino utiliza un algoritmo evolutivo para crear filtros de convolución personalizados, que conduce a un ajuste fino de bajo nivel de la arquitectura neuronal.

Futuro de NeuNetS

Basado en múltiples algoritmos de optimización y una arquitectura modular, NeuNetS puede adaptarse a una amplia gama de escenarios de síntesis de modelos. El siguiente paso es permitir a los usuarios no solo actualizar los datos, sino también decidir cuánto tiempo y cuántos recursos asignar para la síntesis del modelo, así como opcionalmente el tamaño máximo del modelo, y la plataforma de implementación de destino. En este sentido, las cargas de trabajo de análisis de series de tiempo y de IoT desempeñarán un papel importante. Para permitir a los usuarios hacer un uso efectivo de los modelos sintetizados, estamos creando capacidades de visualización innovadoras para comparar las características clave del modelo, incluido el rendimiento, tamaño y tipo. Para continuar ayudando a los usuarios una vez que se implementa un modelo y fomentando su confianza en la IA, estamos trabajando en técnicas que mejoran la visibilidad de la estructura y el comportamiento del modelo a lo largo del ciclo de vida de la IA.

Pruebe NeuNetS ahora

NeuNetS beta está disponible hoy como parte del producto AI OpenScale en Watson Studio, en IBM Cloud. Esta primera versión ofrece síntesis de modelos para la clasificación de imágenes y texto, con un rendimiento similar al de las redes neuronales creadas a mano. Las cargas de trabajo visual han sido objeto de una intensa investigación, desarrollo, y competiciones durante la última década y, por lo tanto, representan un punto de referencia difícil. A diferencia de, los modelos de alta precisión para texto no están muy extendidos hoy en día, y NeuNetS ayudará a los usuarios no expertos a beneficiarse de la última tecnología disponible en este ámbito.

Puede obtener acceso en este enlace:dataplatform.cloud.ibm.com/ml/neunets.

Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.