L'IA transforme divers secteurs, produits de base et fonctionnalités fondamentales. Néanmoins, les réseaux neuronaux profonds consomment des ressources excessives en termes de mémoire, de puissance de calcul et d'énergie. Pour garantir l'adoption généralisée de l'IA, celle-ci doit fonctionner efficacement sur les appareils des utilisateurs finaux, en respectant des contraintes énergétiques et thermiques strictes. Des techniques telles que la quantification et la compression jouent un rôle central dans l'atténuation de ces défis.

Dans ce webinaire, Amir Servi, chef de produit chez Sony, te fera découvrir le Model Compression Toolkit de Sony pour quantifier et accélérer les modèles de deep learning afin de les déployer efficacement en périphérie. Tu apprendras comment faire de même pour ton propre modèle ! Ce que tu apprendras :

- Nos dernières recherches sur les techniques de quantification et leur mise en œuvre dans un produit pratique.

- Importance de la compression adaptée au matériel pour l'inférence en périphérie

- Comment les ingénieurs et les chercheurs peuvent-ils mettre en œuvre ces techniques grâce à Sony MCT ?

Les progrès récents dans le domaine de la vision par ordinateur ont été considérablement propulsés par l'introduction de l'architecture de transformateur et les abstractions conviviales pour préentraîner, affiner et inférer dans la bibliothèque 🤗 transformers. Cet exposé donne un aperçu des derniers modèles de vision basés sur les transformateurs, explore les utilitaires disponibles au sein de la bibliothèque 🤗 transformers, et offre un aperçu pratique de la philosophie qui la sous-tend.

Fatigué des longues files d'attente aux caisses des magasins ? Notre système de gestion intelligente des files d'attente est la solution ! Rejoins-nous pour un tutoriel étape par étape sur la façon de créer un tel système en utilisant OpenVINO et YOLOv8. Nous te guiderons à travers le processus d'intégration de ces puissants outils open-source pour développer une solution de bout en bout qui peut être déployée dans les environnements de caisse des commerces de détail. Tu apprendras à optimiser l'application pour obtenir des performances exceptionnelles. Que tu sois un développeur expérimenté ou novice en matière d'IA, cette session te fournira des conseils pratiques et des bonnes pratiques pour construire des systèmes intelligents à l'aide de OpenVINO. À la fin de la présentation, tu auras les connaissances et les ressources nécessaires pour construire ta propre solution.

À une époque définie par les progrès rapides de l'intelligence artificielle (IA), il est primordial de naviguer dans le paysage éthique de cette technologie. Dans cette session, Mónica démêlera l'écheveau complexe des dilemmes éthiques qui accompagnent le pouvoir de transformation de l'IA. Qu'il s'agisse d'aborder la question des préjugés et de l'équité ou d'explorer la transparence, la responsabilité et l'impact profond de l'IA sur la société, Monica apportera des éléments qui éclairent les considérations éthiques entourant l'IA.

Cette conférence est l'occasion pour toi d'acquérir une compréhension fondamentale des défis et des responsabilités éthiques associés à l'IA. Mónica te dotera de connaissances essentielles pour toute personne engagée dans le développement de l'IA, la prise de décision ou l'élaboration de politiques.

Les modèles de fondation peuvent être exigeants en termes de calcul GPU et peuvent ne pas convenir aux applications en temps réel, en particulier si tu veux faire évoluer des millions de points d'achat autonomes. Mais nous tirons parti de la méthode appelée distillation des connaissances, qui consiste à mettre nos modèles de fondation au service de tâches complexes telles que les annotations et à transférer ces connaissances dans des modèles plus petits et plus rentables. Cela nous permet d'accélérer notre processus d'annotation jusqu'à 90 fois plus vite que l'étiquetage traditionnel humain.

Pssst. Tu veux entendre un secret ? Et si je te disais que l'apprentissage actif n'a pas besoin d'être difficile. Et s'il existait... un moyen facile ? Tu as de la chance. Cette conférence te montrera exactement comment mettre en place un pipeline d'apprentissage actif en utilisant le moteur de données de DagsHub. Et 90 % du pipeline peut être exécuté directement dans un bloc-notes Jupyter ou sur Google Colab ! À la fin de l'exposé, tu auras les informations nécessaires pour convertir ton projet existant en un projet qui utilise l'apprentissage actif pour améliorer efficacement et rapidement les métriques de tes modèles !

L'utilisation d'outils open source avec YOLOv8 peut t'aider à lancer rapidement ton prochain projet d'IA visionnaire. Il existe des référentiels d'images open source, des bibliothèques pour aider à automatiser l'étiquetage des données, des outils de suivi ou de comptage, et des serveurs pour déployer tes modèles. Apprends à les utiliser avec YOLOv8 pour créer ta prochaine application.

La course mondiale en cours pour des systèmes d'intelligence artificielle (IA) plus grands et meilleurs devrait avoir un impact sociétal et environnemental profond en modifiant les marchés du travail, en perturbant les modèles commerciaux et en permettant de nouvelles structures de gouvernance et de bien-être sociétal qui peuvent affecter le consensus mondial pour les voies d'action climatique. Cependant, les systèmes d'IA actuels sont formés sur des ensembles de données biaisés qui pourraient déstabiliser les agences politiques ayant un impact sur les décisions d'atténuation et d'adaptation au changement climatique et compromettre la stabilité sociale, ce qui pourrait conduire à des événements de basculement sociétal. Ainsi, la conception appropriée d'un système d'IA moins biaisé qui reflète à la fois les effets directs et indirects sur les sociétés et les défis planétaires est une question d'une importance capitale.

La quantification des modèles d'apprentissage machine (ML) peut conduire à une diminution significative de la taille du modèle ainsi qu'à une réduction de la latence d'inférence en raison d'exigences moindres en matière de bande passante. Lorsqu'elle est déployée sur des options matérielles qui prennent en charge efficacement les calculs sur les nombres entiers, les gains de performance peuvent être encore plus spectaculaires. Cependant, la quantification peut parfois entraîner une dégradation inacceptable de la précision. Dans cet exposé, nous présentons une vue d'ensemble des méthodes permettant de quantifier efficacement les modèles YOLOv8 , ce qui en fait un excellent choix pour diverses applications d'intelligence artificielle en temps réel. Nous présentons également une classe de modèles YOLOv8 avec la fonction d'activation ReLU6 qui montrent d'excellents résultats de quantification post-entraînement sur une variété d'architectures de modèles et d'ensembles de données. Enfin, nous illustrons la façon dont les modèles quantifiés peuvent être déployés sur plusieurs options matérielles telles que les CPU, les TPU Edge et Orca (l'accélérateur AI HW de DeGirum) à l'aide d'API simples.

Ultralytics est le foyer des modèles de vision par ordinateur de pointe pour des tâches telles que la classification d'images, la détection d'objets, la segmentation d'images et l'estimation de la pose. Weights & Biases est une plateforme MLOps pour développeurs qui, lorsqu'elle est intégrée à un flux de travail Ultralytics , nous permet de gérer facilement nos expériences, les points de contrôle des modèles et de visualiser les résultats de nos expériences d'une manière perspicace et intuitive. Au cours de cette session, nous explorerons la façon dont nous pouvons renforcer efficacement nos flux de travail de vision par ordinateur à l'aide de Ultralytics et Weights & Biases.

Apprends comment nous avons créé PatentPT, une solution de modèle linguistique avancée qui améliore considérablement les capacités de recherche et d'interaction en matière de brevets. La présentation offre des aperçus pratiques sur le réglage fin et le déploiement de grands modèles de langage et sur l'exploitation d'agents de mémoire de niveau entreprise pour l'autocomplétion de brevets, la génération d'abrégés et de revendications, et l'exécution de fonctions de recherche de brevets avancées à l'aide du riche corpus de brevets. Nous t'expliquerons comment développer une solution similaire en utilisant Deep Lake d'Activeloop, la base de données pour l'IA, des modèles LLM open-source, le matériel HPU Habana Gaudi et les API d'inférence LLM d'Amazon Sagemaker.

Nous te guiderons à travers les plans architecturaux et toutes les étapes que nous avons suivies pour construire la solution - depuis l'entraînement de notre modèle LLM et son réglage fin, la création de fonctionnalités personnalisées et le déploiement d'API de recherche.

Que tu sois un praticien de l'IA à la recherche de guides pratiques pour peaufiner les LLM, un professionnel du droit intéressé par l'exploitation de l'IA pour la recherche de brevets, ou simplement curieux de l'avenir des solutions améliorées par l'IA, notre exposé donne un aperçu du processus et du potentiel de l'utilisation des LLM dans un domaine spécialisé. Rejoins-nous pour partager notre parcours de création d'apps personnalisées alimentées par des LLM et alimentées par Deep Lake, la base de données pour l'IA des entreprises, grandes et petites.