KI verändert verschiedene Branchen, Waren und grundlegende Funktionen. Allerdings verbrauchen tiefe neuronale Netze übermäßig viel Speicher, Rechenleistung und Energie. Damit KI auf breiter Basis eingesetzt werden kann, muss sie auf den Geräten der Endnutzer effizient arbeiten und dabei strenge Energie- und Wärmebeschränkungen einhalten. Techniken wie Quantisierung und Komprimierung spielen eine entscheidende Rolle bei der Bewältigung dieser Herausforderungen.

In diesem Webinar führt dich Amir Servi, Produktmanager bei Sony, durch das Model Compression Toolkit von Sony zur Quantisierung und Beschleunigung von Deep Learning-Modellen für einen effizienten Edge-Einsatz. Du lernst, wie du das auch für dein eigenes Modell tun kannst! Was du lernen wirst:

- Unsere neueste Forschung im Bereich Quantisierungstechniken und ihre Umsetzung in ein praktisches Produkt

- Bedeutung der hardwaregerechten Komprimierung für Inferencing on Edge

- Wie Ingenieure und Forscher diese Techniken mit Sony MCT umsetzen können

Die jüngsten Fortschritte in der Computer Vision wurden durch die Einführung der Transformator-Architektur und die benutzerfreundlichen Abstraktionen zum Pre-Training, zur Feinabstimmung und zum Inferieren in der 🤗 Transformatoren-Bibliothek maßgeblich vorangetrieben. Dieser Vortrag gibt einen Überblick über die neuesten transformatorbasierten Bildverarbeitungsmodelle, erkundet die in der 🤗 transformers library verfügbaren Dienstprogramme und bietet praktische Einblicke in die Philosophie dahinter.

Hast du genug von langen Schlangen an der Kasse im Einzelhandel? Unser Intelligent Queue Management System ist die Antwort! Wir zeigen dir Schritt für Schritt, wie du ein solches System mit OpenVINO und YOLOv8 erstellst. Wir führen dich durch den Prozess der Integration dieser leistungsstarken Open-Source-Tools, um eine End-to-End-Lösung zu entwickeln, die in Einzelhandels-Kassenumgebungen eingesetzt werden kann. Du lernst, wie du die Anwendung optimieren kannst, um eine hervorragende Leistung zu erzielen. Egal, ob du ein erfahrener Entwickler oder ein Neuling im Bereich KI bist, dieser Vortrag bietet dir praktische Tipps und Best Practices für die Entwicklung intelligenter Systeme mit OpenVINO. Am Ende der Präsentation wirst du das Wissen und die Ressourcen haben, um deine eigene Lösung zu entwickeln.

In einer Zeit, die von rasanten Fortschritten in der künstlichen Intelligenz (KI) geprägt ist, ist es von größter Bedeutung, sich in der ethischen Landschaft dieser Technologie zurechtzufinden. In dieser Veranstaltung wird Mónica das komplizierte Netz ethischer Dilemmas entwirren, das die transformative Kraft der KI begleitet. Von der Auseinandersetzung mit Voreingenommenheit und Fairness bis hin zu Transparenz, Verantwortlichkeit und den tiefgreifenden Auswirkungen von KI auf die Gesellschaft wird Monica Einblicke geben, die die ethischen Überlegungen rund um KI beleuchten.

Dieser Vortrag bietet dir die Gelegenheit, ein grundlegendes Verständnis für die ethischen Herausforderungen und Verantwortlichkeiten im Zusammenhang mit KI zu erlangen. Mónica wird dir Wissen vermitteln, das für alle, die in der KI-Entwicklung, der Entscheidungsfindung oder der Politikgestaltung tätig sind, unerlässlich ist.

Foundation-Modelle können hohe Anforderungen an die GPU-Berechnungen stellen und sind möglicherweise nicht für Echtzeitanwendungen geeignet, insbesondere wenn du Millionen von Autonomous Points of Purchase skalieren willst. Wir machen uns jedoch die Methode der Wissensdestillation zunutze, bei der wir unsere Basismodelle für komplexe Aufgaben wie Annotationen in kleinere und kostengünstigere Modelle überführen. Auf diese Weise können wir unseren Annotationsprozess bis zu 90 Mal schneller machen als die traditionelle menschliche Beschriftung.

Pssst. Willst du ein Geheimnis hören? Was, wenn ich dir sage, dass aktives Lernen nicht schwer sein muss? Was wäre, wenn es einen... einfachen Weg gäbe? Da hast du Glück. In diesem Vortrag zeige ich dir genau, wie du eine aktive Lernpipeline mit der Data Engine von DagsHub implementieren kannst. Und 90% der Pipeline kann direkt in einem Jupyter Notebook oder auf Google Colab laufen! Am Ende des Vortrags wirst du die nötigen Informationen haben, um dein bestehendes Projekt in ein Projekt umzuwandeln, das aktives Lernen nutzt, um die Metriken deiner Modelle effizient und schnell zu verbessern!

Die Verwendung von Open-Source-Tools mit YOLOv8 kann dir helfen, dein nächstes KI-Projekt schnell zum Laufen zu bringen. Es gibt Repositories mit Open-Source-Bildern, Bibliotheken zur Automatisierung der Datenbeschriftung, Tools zum Verfolgen oder Zählen und Server für die Bereitstellung deiner Modelle. Erfahre, wie du sie mit YOLOv8 nutzen kannst, um deine nächste Anwendung zu entwickeln.

Es wird erwartet, dass der weltweite Wettlauf um immer größere und bessere Systeme der künstlichen Intelligenz (KI) tiefgreifende Auswirkungen auf die Gesellschaft und die Umwelt haben wird, indem er die Arbeitsmärkte verändert, Geschäftsmodelle stört und neue Governance- und gesellschaftliche Wohlfahrtsstrukturen ermöglicht, die den globalen Konsens für Klimaschutzmaßnahmen beeinflussen können. Die aktuellen KI-Systeme werden jedoch auf der Grundlage von verzerrten Datensätzen trainiert, die politische Behörden, die Entscheidungen über den Klimaschutz und die Anpassung an den Klimawandel treffen, destabilisieren und die soziale Stabilität gefährden könnten, was möglicherweise zu gesellschaftlichen Kippeffekten führen könnte. Daher ist die Entwicklung eines weniger voreingenommenen KI-Systems, das sowohl die direkten als auch die indirekten Auswirkungen auf die Gesellschaft und die planetarischen Herausforderungen widerspiegelt, eine Frage von größter Bedeutung.

Die Quantisierung von Modellen für maschinelles Lernen (ML) kann zu einer erheblichen Verringerung der Modellgröße sowie zu einer Verringerung der Latenzzeit aufgrund geringerer Bandbreitenanforderungen führen. Beim Einsatz von Hardwareoptionen, die ganzzahlige Berechnungen effizient unterstützen, können die Leistungsgewinne sogar noch dramatischer ausfallen. Allerdings kann die Quantisierung manchmal zu einer inakzeptablen Verschlechterung der Genauigkeit führen. In diesem Vortrag geben wir einen Überblick über die Methoden zur effizienten Quantisierung von YOLOv8 Modellen, die sich hervorragend für verschiedene Echtzeit-KI-Anwendungen eignen. Außerdem stellen wir eine Klasse von YOLOv8 Modellen mit ReLU6-Aktivierungsfunktion vor, die nach dem Training hervorragende Quantisierungsergebnisse bei einer Vielzahl von Modellarchitekturen und Datensätzen zeigen. Schließlich zeigen wir, wie die quantisierten Modelle mithilfe einfacher APIs auf verschiedenen Hardwareoptionen wie CPUs, Edge TPUs und Orca (DeGirums KI-HW-Beschleuniger) eingesetzt werden können.

Ultralytics ist die Heimat für hochmoderne Computer-Vision-Modelle für Aufgaben wie Bildklassifizierung, Objekterkennung, Bildsegmentierung und Posenschätzung. Weights & Biases ist eine MLOps-Plattform für Entwickler, die es uns ermöglicht, unsere Experimente und Modellprüfpunkte einfach zu verwalten und die Ergebnisse unserer Experimente aufschlussreich und intuitiv zu visualisieren, wenn sie in einen Ultralytics Workflow integriert wird. In dieser Sitzung werden wir untersuchen, wie wir unsere Computer Vision Workflows mit Ultralytics und Weights & Biases effektiv verbessern können.

Erfahre, wie wir PatentPT entwickelt haben, eine fortschrittliche Sprachmodelllösung, die die Möglichkeiten der Patentsuche und -interaktion erheblich verbessert. Die Präsentation bietet praktische Einblicke in die Feinabstimmung und den Einsatz großer Sprachmodelle und die Nutzung von Speicheragenten in Unternehmensqualität, um Patente automatisch zu vervollständigen, Zusammenfassungen und Ansprüche zu generieren und erweiterte Patentsuchfunktionen unter Verwendung des umfangreichen Patentkorpus durchzuführen. Wir zeigen dir, wie du eine ähnliche Lösung mit dem hochmodernen Deep Lake von Activeloop, der Database for AI, Open-Source-LLM-Modellen, Habana Gaudi HPU-Hardware und den LLM-Inferenz-APIs von Amazon Sagemaker entwickeln kannst.

Wir führen dich durch die architektonischen Entwürfe und alle Schritte, die wir zum Aufbau der Lösung unternommen haben - vom Training unseres LLM-Modells und dessen Feinabstimmung über die Erstellung benutzerdefinierter Funktionen bis hin zum Einsatz von Such-APIs.

Egal, ob du ein KI-Praktiker bist, der nach praktischen Anleitungen für die Feinabstimmung von LLMs sucht, ein Jurist, der KI für die Patentrecherche nutzen möchte, oder einfach nur neugierig auf die Zukunft von KI-gestützten Lösungen bist, unser Vortrag gibt dir einen Einblick in den Prozess und das Potenzial der Nutzung von LLMs in einem speziellen Bereich. Begleite uns auf unserer Reise durch die Entwicklung maßgeschneiderter LLM-gestützter Apps auf Basis von Deep Lake, der Datenbank für KI für große und kleine Unternehmen.