Yapay zeka çeşitli sektörleri, emtiaları ve temel işlevleri dönüştürüyor. Bununla birlikte, derin sinir ağları bellek, hesaplama gücü ve enerji açısından aşırı kaynak tüketmektedir. Yapay zekanın yaygın olarak benimsenmesini sağlamak için, son kullanıcı cihazlarında katı güç ve termal kısıtlamalara bağlı kalarak verimli bir şekilde çalışması gerekir. Niceleme ve sıkıştırma gibi teknikler bu zorlukların hafifletilmesinde önemli bir rol oynamaktadır.

Bu web seminerinde, Sony'nin ürün müdürü Amir Servi, verimli uç dağıtımı için derin öğrenme modellerini nicelleştirmeye ve hızlandırmaya yönelik Sony Model Sıkıştırma Araç Kiti hakkında size yol gösterecek. Siz de kendi modeliniz için aynısını nasıl yapacağınızı öğreneceksiniz! Neler öğreneceksiniz?

- Niceleme teknikleri ve bunların pratik bir ürüne uygulanması konusundaki en son araştırmamız

- Uçta çıkarım için donanıma duyarlı sıkıştırmanın önemi

- Mühendisler ve araştırmacılar bu teknikleri Sony MCT aracılığıyla nasıl uygulayabilir?

Bilgisayarla görme alanındaki son gelişmeler, transformatör mimarisinin ve 🤗 transformers kütüphanesinde ön eğitim, ince ayar ve çıkarım yapmak için kullanıcı dostu soyutlamaların kullanılmaya başlanmasıyla önemli ölçüde ilerlemiştir. Bu konuşma, en son transformatör tabanlı görme modellerine genel bir bakış sunmakta, 🤗 transformers kütüphanesinde bulunan yardımcı programları araştırmakta ve arkasındaki felsefeye pratik bilgiler sunmaktadır.

Perakende kasada uzun kuyruklardan bıktınız mı? Akıllı Kuyruk Yönetimi sistemimiz bu sorunun cevabı! OpenVINO ve YOLOv8 kullanarak böyle bir sistemin nasıl oluşturulacağına dair adım adım bir eğitim için bize katılın. Perakende ödeme ortamlarında kullanılabilecek uçtan uca bir çözüm geliştirmek için bu güçlü açık kaynak araçlarını entegre etme sürecinde size yol göstereceğiz. Olağanüstü performans elde etmek için uygulamayı nasıl optimize edeceğinizi öğreneceksiniz. İster deneyimli bir geliştirici ister yapay zeka konusunda yeni olun, bu oturumda OpenVINO kullanarak akıllı sistemler oluşturmaya yönelik pratik ipuçları ve en iyi uygulamalar sunulacaktır. Sunumun sonunda, kendi çözümünüzü oluşturmak için gerekli bilgi ve kaynaklara sahip olacaksınız.

Yapay zekadaki (YZ) hızlı ilerlemelerle tanımlanan bir çağda, bu teknolojinin etik manzarasında gezinmek çok önemlidir. Bu oturumda Mónica, yapay zekanın dönüştürücü gücüne eşlik eden karmaşık etik ikilemler ağını çözecek. Monica, önyargı ve adaleti ele almaktan şeffaflık, hesap verebilirlik ve YZ'nin toplum üzerindeki derin etkisini keşfetmeye kadar, YZ'yi çevreleyen etik hususlara ışık tutan içgörüler sunacak.

Bu konuşma, yapay zeka ile ilişkili etik zorluklar ve sorumluluklar hakkında temel bir anlayış kazanmanız için bir fırsattır. Mónica sizi YZ geliştirme, karar verme veya politika oluşturma süreçlerinde yer alan herkes için gerekli olan bilgilerle donatacak.

Temel Modeller GPU hesaplaması açısından zorlu olabilir ve özellikle milyonlarca Otonom Satın Alma Noktasını ölçeklendirmek istiyorsanız gerçek zamanlı uygulamalar için uygun olmayabilir. Ancak, bilgi damıtma adı verilen yöntemden yararlanıyoruz; burada temel modellerimizi açıklama gibi karmaşık görevler için kullanıyor ve bu bilgiyi daha küçük ve uygun maliyetli modellere aktarıyoruz. Bu, açıklama sürecimizi geleneksel insan etiketlemesinden 90 kata kadar daha hızlı hale getirmemizi sağlıyor.

Pssst. Bir sır duymak ister misin? Ya size aktif öğrenmenin zor olmak zorunda olmadığını söyleseydim? Ya bunun kolay bir yolu olsaydı? Şanslısınız. Bu konuşma size DagsHub'un Veri Motorunu kullanarak bir aktif öğrenme ardışık düzenini tam olarak nasıl uygulayacağınızı gösterecek. Ve işlem hattının %90'ı doğrudan bir Jupyter Notebook'ta veya Google Colab'da çalışabilir! Konuşmanın sonunda, mevcut projenizi, modellerinizin metriklerini verimli ve hızlı bir şekilde iyileştirmek için aktif öğrenmeyi kullanan bir projeye dönüştürmek için gerekli bilgilere sahip olacaksınız!

YOLOv8 ile açık kaynak araçlarını kullanmak, bir sonraki görsel yapay zeka projenizi hızlı bir şekilde hazırlamanıza ve çalıştırmanıza yardımcı olabilir. Açık kaynak görüntü depoları, veri etiketlemeyi otomatikleştirmeye yardımcı olacak kütüphaneler, izleme veya sayma araçları ve modellerinizi dağıtmak için sunucular bulunmaktadır. Bir sonraki uygulamanızı oluşturmak için bunları YOLOv8 ile nasıl kullanacağınızı öğrenin.

Daha büyük ve daha iyi yapay zeka (AI) sistemleri için devam eden küresel yarışın, iş piyasalarını değiştirerek, iş modellerini bozarak ve iklim eylem yolları için küresel fikir birliğini etkileyebilecek yeni yönetişim ve toplumsal refah yapıları sağlayarak derin bir toplumsal ve çevresel etkiye sahip olması beklenmektedir. Bununla birlikte, mevcut yapay zeka sistemleri, iklim değişikliğini hafifletme ve uyum kararlarını etkileyen siyasi kurumları istikrarsızlaştırabilecek ve sosyal istikrarı tehlikeye atarak potansiyel olarak toplumsal devrilme olaylarına yol açabilecek önyargılı veri kümeleri üzerinde eğitilmektedir. Bu nedenle, toplumlar ve gezegensel zorluklar üzerindeki hem doğrudan hem de dolaylı etkileri yansıtan daha az önyargılı bir YZ sisteminin uygun tasarımı çok önemli bir sorudur.

Makine öğrenimi (ML) modellerinin nicelleştirilmesi, model boyutunda önemli bir azalmanın yanı sıra daha düşük bant genişliği gereksinimleri nedeniyle çıkarım gecikmesinde azalmaya yol açabilir. Tam sayı hesaplamalarını verimli bir şekilde destekleyen donanım seçenekleri üzerinde kullanıldığında, performans kazanımları daha da çarpıcı olabilir. Bununla birlikte, niceleme bazen doğrulukta kabul edilemez bir bozulmaya yol açabilir. Bu konuşmada, YOLOv8 modellerini verimli bir şekilde nicelleştirerek çeşitli gerçek zamanlı uç yapay zeka uygulamaları için mükemmel bir seçim haline getiren yöntemlere genel bir bakış sunuyoruz. Ayrıca, çeşitli model mimarileri ve veri kümeleri üzerinde mükemmel eğitim sonrası niceleme sonuçları gösteren ReLU6 aktivasyon fonksiyonuna sahip bir YOLOv8 modelleri sınıfını tanıtıyoruz. Son olarak, nicelleştirilmiş modellerin basit API'ler kullanılarak CPU'lar, Edge TPU'lar ve Orca (DeGirum'un AI HW hızlandırıcısı) gibi birden fazla donanım seçeneğine nasıl dağıtılabileceğini gösteriyoruz.

Ultralytics görüntü sınıflandırma, nesne algılama, görüntü segmentasyonu ve poz tahmini gibi görevler için son teknoloji bilgisayarla görme modellerine ev sahipliği yapmaktadır. Weights & Biases , Ultralytics iş akışıyla entegre edildiğinde deneylerimizi, model kontrol noktalarımızı kolayca yönetmemizi ve deneylerimizin sonuçlarını anlayışlı ve sezgisel bir şekilde görselleştirmemizi sağlayan, geliştiriciye öncelik veren bir MLOps platformudur. Bu oturumda, Ultralytics ve Weights & Biases kullanarak bilgisayarla görme iş akışlarımızı nasıl etkili bir şekilde güçlendirebileceğimizi keşfedeceğiz.

Patent arama ve etkileşim yeteneklerini büyük ölçüde geliştiren gelişmiş bir dil modeli çözümü olan PatentPT'yi nasıl oluşturduğumuzu öğrenin. Sunum, patentleri otomatik tamamlamak, özet ve istemler oluşturmak ve zengin patent külliyatını kullanarak gelişmiş patent arama işlevleri gerçekleştirmek için büyük dil modellerinin ince ayarının yapılması ve dağıtılması ve kurumsal düzeyde bellek aracılarından yararlanılması hakkında pratik bilgiler sunmaktadır. Son teknoloji Activeloop Deep Lake, Yapay Zeka Veritabanı, açık kaynaklı LLM modelleri, Habana Gaudi HPU donanımı ve Amazon Sagemaker'ın LLM çıkarım API'lerini kullanarak benzer bir çözümü nasıl geliştireceğiniz konusunda size yol göstereceğiz.

LLM modelimizi eğitmekten ve ince ayarını yapmaktan, özel özellikler oluşturmaya ve arama API'lerini dağıtmaya kadar, mimari planlar ve çözümü oluşturmak için attığımız tüm adımlar boyunca size yol göstereceğiz.

İster LLM'lere ince ayar yapmak için pratik kılavuzlar arayan bir YZ uygulayıcısı olun, ister patent araştırması için YZ'den yararlanmak isteyen bir hukuk profesyoneli olun ya da sadece YZ ile geliştirilmiş çözümlerin geleceğini merak ediyor olun, konuşmamız LLM'leri özel bir alanda kullanma sürecine ve potansiyeline bir bakış sunuyor. Büyük ve küçük şirketler için Yapay Zeka Veritabanı Deep Lake tarafından desteklenen özel LLM destekli uygulamalar oluşturma yolculuğumuzu paylaşırken bize katılın.