- بدء التشغيل الأوروبي ENOT ( تقنية تحسين الشبكة العصبية المدمجة ) تطلق تقنيتها الأساسية القائمة على الذكاء الاصطناعي لتحسين الشبكات العصبية
- أكثر من 20 شركة تستخدم ENOT بالفعل ، بما في ذلك Weedbot و LG و Huawei و Dscribe و Hive.aero و PicsArt وغيرها
- قامت ENOT بجمع الاستثمار الأولي غير المعلن عنه من New Nordic Ventures
كتب : وائل الحسينى
أطلقت شركة ENOT ، المتخصصة في تطوير أدوات تحسين الشبكة العصبية ، تقنية التحسين القائمة على الذكاء الاصطناعي للشبكات العصبية العميقة لمطوري الذكاء الاصطناعي وشركات الذكاء الاصطناعي المتطورة.
يأخذ إطار عمل " enot.ai " شبكة عصبية مدربة كمدخلات ، وبعد ذلك يختار شبكة فرعية لديها أقل زمن انتقال ويمكن أن تضمن عدم تدهور الدقة. يحتوي إطار العمل على Python API التي يمكن دمجها بسرعة وسهولة في مختلف خطوط أنابيب التدريب على الشبكة العصبية .
" ENOT " تطلق تقنية التحسين المدعومة بالذكاء الاصطناعي لجعل الشبكات العصبية العميقة أسرع وأصغر وأكثر كفاءة في استخدام الطاقة ، من السحابة إلى الحافة ، وإضفاء الطابع الديمقراطي على الذكاء الاصطناعي للجميع
هذا الإطار الشامل لمجموعة واسعة من بنى الشبكات العصبية والأجهزة سهل الاستخدام ، ويقدم نتائج فائقة السرعة
إن تكامل إطار عمل ENOT يجعل الشبكات العصبية العميقة أسرع وأصغر وأكثر كفاءة في استخدام الطاقة - من الحوسبة السحابية إلى الحوسبة المتطورة. تساعد هذه التقنية في تحقيق نسب تحسين متميزة تؤدي إلى تسريع يصل إلى 20 ضعفًا وضغط يصل إلى 25 ضعفًا ، وبالتالي تقليل إجمالي تكاليف موارد الحوسبة (الأجهزة) بنسبة تصل إلى 70٪.
تطبق ENOT تقنية فريدة لاختيار العمارة العصبية التي تتفوق في الأداء على جميع الطرق المعروفة لضغط وتسريع الشبكة العصبية. يحتوي إطار عمل ENOT على واجهة برمجة تطبيقات Python سهلة الاستخدام والتي يمكن دمجها بسرعة وسهولة في مختلف خطوط أنابيب التدريب على الشبكة العصبية لتسريع الشبكات العصبية وضغطها بشكل كبير.
يسمح للمستخدمين بأتمتة البحث عن بنية الشبكة العصبية المثلى ، مع مراعاة وقت الاستجابة وذاكرة الوصول العشوائي وقيود حجم النموذج لمختلف الأنظمة الأساسية للأجهزة والبرامج. يتيح محرك بحث هندسة الشبكات العصبية في ENOT للمستخدمين العثور تلقائيًا على أفضل بنية ممكنة من بين ملايين الخيارات المتاحة ، مع مراعاة العديد من المعلمات مثل:
قرار الإدخال ، عمق الشبكة العصبية ، نوع العملية ، نوع التنشيط ، عدد الخلايا العصبية في كل طبقة وكذلك عرض البت لمنصة الأجهزة المستهدفة لاستدلال NN.
تساعد هذه التقنية العملاء على تحقيق كفاءة كبيرة من خلال توفير التكاليف وإطلاق المنتجات بشكل أسرع ، ويمكن أن تقلل من الوقت اللازم للتسويق.
يستهدف إطار عمل ENOT الشركات التي تستخدم الشبكات العصبية على الأجهزة المتطورة ، مثل : إلكترونيات ، الرعاىة الصحية ، النفط والغاز ، القيادة الذاتية ، حوسبة سحابية ، اتصالات ، تطبيقات الموبايل ، إنترنت الأشياء (IoT) بالاضافة الى علم الروبوتات
أكملت ENOT بالفعل أكثر من 20 مشروعًا تجريبيًا بنجاح حيث قامت بتحسين الشبكات العصبية للعديد من عمالقة التكنولوجيا الرائدين من جميع أنحاء العالم ، من بين عشرات الشركات المصنعة للمعدات الأصلية وشركات الذكاء الاصطناعي متوسطة الحجم.
قدمت ENOT تسريعًا بمقدار 13.3 ضعفًا لشبكة عصبية مستخدمة من قبل أكبر ثلاث شركات مصنعة للهواتف الذكية كجزء من عملية تحسين الصورة. أدى التحسين إلى خفض عمق الشبكة العصبية من 16 إلى 11 وخفض دقة الإدخال من 224 × 224 بكسل إلى 96 × 96 بكسل ، ومع ذلك لم يكن هناك أي فقدان في الدقة عمليًا.
قدم مشروع آخر مع نفس الشركة تسريعًا بنسبة 5.1x لشبكة عصبية لتقليل الضوضاء - مرة أخرى مع تغيير غير محسوس تقريبًا في جودة الصورة - على الرغم من أن الشبكة قد تم تحسينها يدويًا بالفعل. بالنسبة للمستخدمين النهائيين ، يُترجم هذا إلى معالجة أسرع وإطالة عمر البطارية بشكل كبير.
علق سيرجي عليامكين ، الرئيس التنفيذي ومؤسس ENOT ، "اليوم ، عندما يتم استخدام الشبكات العصبية على نطاق واسع في الإنتاج والتطبيقات. يجب أن تكون الشبكات العصبية أكثر فعالية من حيث استهلاك الموارد الحسابية وبأسعار معقولة. يجب أن يكون تنفيذها أسرع وأفضل وأرخص للجميع.
"ENOT في طليعة المستوى التالي من تحسين الذكاء الاصطناعي ، مما يساعد على تحقيق مستويات سريعة في الوقت الفعلي لتقدم الذكاء الاصطناعي من خلال البيانات عالية الإنتاجية إلى واقع واقعي كحقيقة علمية ، وقد بدأت رحلتنا للتو بأمثلة مثل آلة إزالة الأعشاب الضارة بالليزر Weedbot التي اكتسبت 2.7 مرة بفضل إطار عمل ENOT.
"في ENOT ، نحن لا نرتاح على أمجادنا ، لكننا نلتقط النجوم ، وكالعادة ، الأفضل لم يأت بعد."
وتأسس فريق ENOT في عام 2021 ، ويتألف من سبعة مهندسين ، من بينهم العديد من حاملي الدكتوراه في علوم الكمبيوتر. لقد فازوا ثلاث مرات في التحدي العالمي للتعرف على الصور منخفضة الطاقة ، متفوقين في الأداء على معهد ماساتشوستس للتكنولوجيا و Qualcomm و Amazon وفرق أخرى.
