Intel veröffentlicht Open-Source Künstliche Intelligenz Referenz-Kits

08/09/2022

Intel hat das erste Set von Open-Source Künstliche Intelligenz Referenzkits veröffentlicht, die speziell dafür entwickelt wurden, KI in Unternehmen zugänglicher zu machen.

Die erstmals auf der Intel Vision 2022 vorgestellten Referenzkits machen KI zugänglicher, egal ob in On-Premise-, Cloud- oder Edge-Umgebungen. Diese KI-Kits umfassen:

• KI-Modell-Code,
• End-to-End-Pipeline-Anweisungen für maschinelles Lernen,
• Bibliotheken und Intel oneAPI-Komponenten für architekturübergreifende Leistung.

Das innovative Ökosystem von Intel soll Datenwissenschaftlern und Entwicklern dabei helfen, KI schneller und einfacher im Gesundheitswesen, in der Fertigung, im Einzelhandel und in anderen Branchen einzusetzen – mit höherer Genauigkeit, besserer Leistung und geringeren Gesamtkosten für die Implementierung.

Heute stehen 4 Kits zum Download bereit:

1) Gesundheit des Nutzvermögens

Dieses prädiktive Analysemodell wurde trainiert, um Versorgungsunternehmen zu helfen, eine höhere Servicezuverlässigkeit zu bieten. Ausserdem verwendet es Intel-optimiertes XGBoost über die Intel oneAPI Data Analytics Library, um den Zustand von Versorgungsmasten mit 34 Attributen und mehr als 10 Millionen Datenpunkten zu modellieren. Zu den Daten gehören das Alter der Anlage, mechanische Eigenschaften, Geodaten, Inspektionen, Hersteller, frühere Reparatur- und Wartungsvorgänge sowie Ausfallprotokolle. Das Modell für die vorausschauende Wartung von Anlagen lernt kontinuierlich dazu, wenn neue Daten, wie z. B. neue Masthersteller, Ausfälle und andere Zustandsänderungen, bereitgestellt werden.

2) Visuelle Qualitätskontrolle

Die Qualitätskontrolle (QC) ist in jedem Fertigungsbetrieb unerlässlich. Die Herausforderung bei Computer-Vision-Techniken besteht darin, dass sie während des Trainings und bei der Einführung neuer Produkte häufig eine hohe Grafikrechenleistung benötigen. Das AI Visual QC-Modell wurde mit dem Intel AI Analytics Toolkit trainiert, einschließlich Intel Optimization for PyTorch und Intel Distribution of OpenVINO toolkit, die beide von oneAPI unterstützt werden, um Training und Inferenzierung um 20 % bzw. 55 % zu beschleunigen, verglichen mit der Bestandsimplementierung des visuellen Qualitätskontrollkits von Accenture ohne Intel-Optimierungen für Computer-Vision-Workloads auf CPU-, GPU- und anderen Beschleuniger-basierten Architekturen. Mithilfe von Computer Vision und SqueezeNet-Klassifizierung konnte das AI Visual QC-Modell durch Hyperparameter-Tuning und -Optimierung pharmazeutische Pillenfehler mit 95 % Genauigkeit erkennen.

3) Kunden-Chatbot

Konversations-Chatbots sind zu einem wichtigen Service zur Unterstützung von Initiativen im gesamten Unternehmen geworden. Und die KI-Modelle, die Chatbot-Interaktionen unterstützen, sind umfangreich und hochkomplex. Dieses Referenz-Kit enthält Deep-Learning-Modelle für die Verarbeitung natürlicher Sprache zur Klassifizierung von Absichten und zur Erkennung von benannten Entitäten unter Verwendung von BERT und PyTorch. Die Intel-Erweiterung für PyTorch und die Intel-Distribution des OpenVINO-Toolkits optimieren das Modell für eine bessere Leistung – 45 % schnelleres Inferencing im Vergleich zur Standardimplementierung des Accenture-Kunden-Chatbot-Kits ohne Intel-Optimierungen – auf heterogenen Architekturen und ermöglichen Entwicklern die Wiederverwendung des Modellentwicklungscodes mit minimalen Code-Änderungen für Training und Inferencing.

4) Intelligente Indizierung von Dokumenten

Unternehmen verarbeiten und analysieren jedes Jahr Millionen von Dokumenten, und viele der halbstrukturierten und unstrukturierten Dokumente werden manuell weitergeleitet. KI kann die Verarbeitung und Kategorisierung dieser Dokumente automatisieren, um die Weiterleitung zu beschleunigen und die manuellen Arbeitskosten zu senken. Unter Verwendung eines Support-Vektor-Klassifizierungsmodells (SVC) wurde dieses Kit mit Intel Distribution of Modin und Intel Extension for Scikit-learn powered by oneAPI optimiert. Diese Tools verbessern die Zeiten für die Datenvorverarbeitung, das Training und die Inferenz um 46 %, 96 % bzw. 60 % im Vergleich zur Standardimplementierung des Accenture Intelligent Document Indexing Kit ohne Intel-Optimierungen4 für die Überprüfung und Sortierung der Dokumente mit 65 % Genauigkeit.

Den ganzen Artikel ansehen:
https://pulse2.com/intel-intc-releases-open-source-ai-reference-kits