Представьте себе виртуального помощника, который не только понимает ваши голосовые команды, но и предугадывает потребности, основываясь на вашем прошлом поведении и предпочтениях.
Исследователи из Массачусетского технологического института (MIT) разработали PockEngine – технологию обучения моделей ИИ. Система работает на совершенствовании ИИ еще до начала выполнения задач, чтобы добиться максимальной эффективности и скорости обработки данных.
Способность обрабатывать информацию и обучаться в реальном времени без зависимости от облачной вычислительной инфраструктуры – это шаг вперед для портативного ИИ. Эта технология может использоваться в интеллектуальных устройствах.
Основные особенности PockEngine:
1. Решает задачу совершенствования моделей глубокого обучения на устройствах с ограниченной вычислительной мощностью, таких как смартфоны.
2. Определяет и обновляет только важные сегменты нейронной сети, которые вносят вклад в точность, что позволяет сократить объем памяти и вычислительных мощностей, необходимых для тонкой настройки модели ИИ.
3. Позволяет адаптировать ИИ на небольших устройствах в режиме реального времени, повышает конфиденциальность данных за счет возможности локальных вычислений и адаптации к индивидуальному поведению пользователя.
4. Может работать в 15 раз быстрее, чем существующие методы на конкретном оборудовании, без потери точности.
Способность обрабатывать информацию и обучаться в реальном времени без зависимости от облачной вычислительной инфраструктуры – это шаг вперед для портативного ИИ. Эта технология может использоваться в интеллектуальных устройствах.
Основные особенности PockEngine:
1. Решает задачу совершенствования моделей глубокого обучения на устройствах с ограниченной вычислительной мощностью, таких как смартфоны.
2. Определяет и обновляет только важные сегменты нейронной сети, которые вносят вклад в точность, что позволяет сократить объем памяти и вычислительных мощностей, необходимых для тонкой настройки модели ИИ.
3. Позволяет адаптировать ИИ на небольших устройствах в режиме реального времени, повышает конфиденциальность данных за счет возможности локальных вычислений и адаптации к индивидуальному поведению пользователя.
4. Может работать в 15 раз быстрее, чем существующие методы на конкретном оборудовании, без потери точности.