Jos halutaan tehdä esimerkiksi hahmontunnistusta, joudutaan se tyypillisesti tekemään grafiikkaprosessorilla. Tekoälymallit vaativat sen verran laskentaa, ettei tavallisella CPU-prosessorilla kannata sitä tehdä. Nyt CPU ottaa tätä grafiikkaprosessorien etumatkaa kiinni.
Asialla on Deci- Se on esitellyt joukon kuvien luokitteluun pystyviä DeciNets-hermoverkkoja, jotka tunnistavat hahmoja kaksi kertaluokkaa pienemmällä laskentateholla kuin tyypilliset NAS-mallit (Neural Architecture Search). Tästä huolimatta tunnistus tapahtuu samalla tarkkuudella, Deci vakuuttaa.
Miksi tämä on tärkeää? Neuroverkkoihin perustuvaa päättelyä voidaan tehdä perinteisellä mikroprosessorilla, mutta syväoppimisverkkojen prosessointi on tyypillisesti 3-10 kertaa hitaampaa kuin GPU-piireillä. Tämän takia hahmontunnistusta tarvitsevat ovat joutuneet valitsemaan GPU-prosessorin, mikä nostaa järjestelmän hintaa ja tehonkulutusta.
DeciNets kuroo merkittävästi umpeen CPU-piirien alempaa AI-suorituskykyä. Käytännössä AI-mallien perusteella ei voitu tehdä päättelyitä CPU:lla, koska prosessit söivät liikaa resursseja Decin mukaan DeciNets-mallit kaventavat suorituskykyeron noin puoleen. Tarkkuus on samaa luokkaa.
Deci vertasi CPU:lla ajettavia DeciNets-malleja Nvidian T4 -grafiikkaprosessorilla tehtyihin luokitteluihin. Vaikka GPU on yhä selvästi tehokkaampi tekoälyprosessointiin, ero on nyt selvästi pienempi. Tämä tarkoittaa, että joissakin sovelluksissa koneoppimismalleja kannattaa ajaa suoraan laitteen CPU-prosessorilla.
Lisätietoja täällä.
Virtaamamittaus on monissa laitteissa kriittinen mutta usein ongelmallinen toiminto. Perinteiset mekaaniset anturit kuluvat ja jäävät sokeiksi pienille virtausnopeuksille. Ultraäänitekniikkaan perustuvat valmiit moduulit tarjoavat nyt tarkan, huoltovapaan ja helposti integroitavan vaihtoehdon niin kuluttaja- kuin teollisuussovelluksiin.