Intel lanza sus primeros kits de referencia de código abierto para IA

El gigante del chip ha liberado el primer conjunto de kits de referencia de IA de código abierto, diseñado especialmente para hacer que la IA sea más accesible a empresas y organizaciones tanto en entornos on-premise como en la nube y el borde (edge). Estos kits de referencia fueron presentados en el evento Intel Vision 2022, e incluyen:

• Código de modelo de IA.
• Instrucciones de canalización de aprendizaje automático de extremo a extremo.
• Bibliotecas y componentes de Intel oneAPI para optimizar el rendimiento entre arquitecturas.

Intel ha confirmado que estos nuevos kits permitirán a los científicos de datos y a los desarrolladores aprender a desplegar la IA de forma más rápida, sencilla, precisa, eficiente y con un con coste menor de implementación en numerosos sectores, incluyendo desde la sanidad hasta la fabricación, y también el canal minorista.

En este sentido Wei Li, vicepresidente y gerente general de inteligencia artificial y análisis de Intel, ha comentado que:

«La innovación prospera en un entorno abierto y democratizado. El ecosistema de software de IA abierto acelerado por Intel, que incluye marcos populares optimizados y herramientas de IA de Intel, está construido sobre la base de un modelo de programación oneAPI abierto, basado en estándares y unificado. Estos kits de referencia, construidos con componentes de la cartera de software de IA integral de Intel, permitirán a millones de desarrolladores y científicos de datos introducir la IA de forma rápida y sencilla en sus aplicaciones o potenciar sus actuales soluciones inteligentes».

Estos nuevos kits son la respuesta de Intel a la realidad de la IA y de la carga de trabajo que esta supone para empresas y organizaciones. Dichos kits han sido creados con la colaboración de Accenture, y como hemos dicho facilitan y aceleran la adopción de la IA en todos los sectores apostando por el código abierto y la IA pre-construida con contextos empresariales clave, lo que permite tanto una introducción totalmente nueva como su integración en soluciones ya existentes.

Con estos nuevos kits disfrutaremos también de un excelente rendimiento en diferentes arquitecturas, y podremos entrenar modelos de IA a un ritmo más rápido, lo que simplificará el proceso y supondrá una importante reducción de costes. Intel nos ha dado más detalles sobre los cuatro kits que están disponibles ahora mismo, y os dejamos todas las claves a continuación tal cual las hemos recibido. Podéis descargarlos desde GitHub.

• 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 datos. 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 optimizaciones 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 optimizaciones 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 optimizaciones de Intel para revisar y clasificar los documentos con un 65% de precisión.