Intel ha lanzado el primer conjunto de kits de referencia de IA de código abierto diseñados específicamente para hacer que la IA sea más accesible a las organizaciones en entornos on-premise, la nube y el edge. Los kits de referencia se presentaron por primera vez en Intel Vision e incluyen código de modelo de IA, instrucciones de canalización de aprendizaje automático de extremo a extremo, bibliotecas y componentes de Intel oneAPI para el rendimiento entre arquitecturas. Estos kits permiten a los científicos de datos y a los desarrolladores aprender a desplegar la IA de forma más rápida y sencilla en los sectores de la sanidad, la fabricación, y el retail, entre otros, con mayor precisión, mejor rendimiento y menor coste total de implementación.
Sobre los Kits de Referencia de IA
Las cargas de trabajo de la IA siguen creciendo y diversificándose para su uso en el ámbito de la visión, la voz, los sistemas de recomendación y otros. Los kits de referencia de IA de Intel, creados en colaboración con Accenture, están diseñados para acelerar la adopción de la IA en todos los sectores. Se trata de código abierto y de IA pre-construida con contextos empresariales significativos, tanto para la introducción de IA de nueva creación como para los cambios estratégicos en las soluciones de IA existentes. Desde hoy ya se pueden descargar cuatro kits:
- Salud de los activos de servicios públicos: A medida que el consumo de energía sigue creciendo en todo el mundo, se espera que los activos de distribución de energía en el campo aumenten. Este modelo de análisis predictivo fue entrenado para ayudar a las empresas de servicios públicos a brindar una mayor confiabilidad en el servicio. Utiliza XGBoost optimizado por Intel a través de la biblioteca de análisis de datos Intel® oneAPI para modelar el estado de los postes de los servicios públicos con 34 atributos y más de 10 millones de puntos de datos1. Los datos incluyen la edad de los activos, las propiedades mecánicas, los datos geoespaciales, las inspecciones, el fabricante, el historial de reparaciones y mantenimiento anteriores y los registros de interrupciones. El modelo de mantenimiento predictivo de activos está en continuo aprendizaje mientras se aportan nuevos datos, como nuevos fabricantes de postes, interrupciones y otros cambios en el estado.
- Control de calidad visual: El control de calidad es esencial en cualquier operación de fabricación. El reto de las técnicas de visión por ordenador es que a menudo requieren una gran potencia de cálculo gráfico durante el entrenamiento y un reentrenamiento frecuente a medida que se introducen nuevos productos. El modelo de control de calidad visual de IA se entrenó utilizando el kit de herramientas Intel® AI Analytics, que incluye la optimización Intel® para PyTorch y el Intel® Distribution of OpenVINO™ toolkit, ambos impulsados por oneAPI para optimizar el entrenamiento y la inferencia para que sean un 20% y un 55% más rápidos, respectivamente, en comparación con la implementación de stock del kit de control de calidad visual de Accenture sin las optimizaciones2 de Intel para las cargas de trabajo de visión informática en la CPU, la GPU y otras arquitecturas basadas en aceleradores. Utilizando la visión por ordenador y la clasificación SqueezeNet, el modelo AI Visual QC utilizó el ajuste y la optimización de hiperparámetros para detectar los defectos de las píldoras farmacéuticas con un 95% de precisión.
- Chatbot para clientes: Los chatbots conversacionales se han convertido en un servicio esencial para apoyar iniciativas en toda la empresa. Los modelos de IA que soportan las interacciones de los chatbots conversacionales son masivos y muy complejos. Este kit de referencia incluye modelos de procesamiento de lenguaje natural de aprendizaje profundo para la clasificación de intenciones y el reconocimiento de entidades con nombre utilizando BERT y PyTorch. Intel® Extension for PyTorch y la distribución de Intel del kit de herramientas OpenVINO optimizan el modelo para obtener un mejor rendimiento -un 45% más de velocidad de inferencia en comparación con la implementación de stock del kit de chatbot del cliente de Accenture sin las optimizaciones3 de Intel- en arquitecturas heterogéneas, y permiten a los desarrolladores reutilizar el código de desarrollo del modelo con mínimos cambios de código para el aprendizaje y la inferencia.
- Indexación Documental Inteligente: Las empresas procesan y analizan millones de documentos cada año, y muchos de los documentos semiestructurados y no estructurados se enrutan manualmente. La IA puede automatizar el procesamiento y la categorización de estos documentos para agilizar el enrutamiento y reducir los costes de mano de obra. Utilizando un modelo de clasificación de vectores de apoyo (SVC), este kit fue optimizado con Intel® Distribution of Modin y Intel® Extension for Scikit-learn potenciado por oneAPI. Estas herramientas mejoran los tiempos de preprocesamiento, formación e inferencia de los datos para que sean un 46%, un 96% y un 60% más rápidos, respectivamente, en comparación con la implementación de stock del kit de indexación de documentos de Accenture Intelligent sin las optimizaciones4 de Intel para revisar y clasificar los documentos con un 65% de precisión.
Descarga gratuita en el sitio web de Intel.com AI Reference Kits. Los kits también están disponibles en Github.
Por qué es importante
Los desarrolladores buscan incorporar la IA en sus soluciones y los kits de referencia contribuyen a ese objetivo. Estos kits se basan y complementan con el portfolio de software de IA de Intel con herramientas integrales y optimizaciones de marcos. Construidas sobre la base del modelo de programación abierto, basado en estándares y heterogéneo de oneAPI, que ofrece rendimiento en múltiples tipos de arquitecturas, estas herramientas ayudan a los científicos de datos a entrenar modelos más rápidamente y a menor coste, superando las limitaciones de los entornos propietarios.
Lo que viene
A lo largo del próximo año, Intel lanzará una serie de kits de referencia de IA de código abierto adicionales con modelos entrenados de aprendizaje automático y aprendizaje profundo para ayudar a organizaciones de todos los tamaños en su viaje hacia la transformación digital.
