AWS Deep Learning Challenge มองเห็นการใช้อินสแตนซ์ Amazon EC2 DL1 ที่เป็นนวัตกรรมและมีประสิทธิภาพ

ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร ความท้าทายการเรียนรู้เชิงลึกของ AWS ซึ่งจัดขึ้นตั้งแต่วันที่ 5 มกราคม 2022 ถึงวันที่ 1 มีนาคม 2022 ผู้เข้าร่วมจากสถาบันการศึกษา สตาร์ทอัพ และองค์กรธุรกิจได้เข้าร่วมทดสอบทักษะและฝึกรูปแบบการเรียนรู้เชิงลึกที่พวกเขาเลือกโดยใช้ อเมซอน อีลาสติก คอมพิวท์ คลาวด์ (อเมซอน อีซี2) อินสแตนซ์ DL1 และ SynapseAI SDK ของ Habana อินสแตนซ์ EC2 DL1 ที่ขับเคลื่อนโดย Gaudi accelerator จาก Habana Labs ซึ่งเป็นบริษัทของ Intel ได้รับการออกแบบมาโดยเฉพาะสำหรับการฝึกโมเดลการเรียนรู้เชิงลึก ผู้เข้าร่วมสามารถรับรู้ถึงประโยชน์ด้านราคา/ประสิทธิภาพที่สำคัญที่ DL1 มีให้เหนืออินสแตนซ์ที่ใช้ GPU

เรารู้สึกตื่นเต้นที่จะประกาศผู้ชนะและแสดงโมเดลการเรียนรู้ของเครื่อง (ML) ที่ได้รับการฝึกฝนใน Hackathon นี้ คุณจะได้เรียนรู้เกี่ยวกับกรณีการใช้งานการเรียนรู้เชิงลึกบางกรณีที่ได้รับการสนับสนุนจากอินสแตนซ์ EC2 DL1 ซึ่งรวมถึงการมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษาธรรมชาติ และการสร้างแบบจำลองอะคูสติก

โมเดลชนะเลิศ

ผู้ชนะอันดับหนึ่งของเราคือ โครงการส่งโดย Gustavo Zomer. เป็นการใช้งานหลายภาษา CLIP (ฝึกสอนภาษา-ภาพคอนทราส). OpenAI เปิดตัว CLIP ในปี 2021 เพื่อฝึกตัวแยกประเภทรูปภาพที่เข้าใจได้ทั่วไปมากขึ้นในชุดข้อมูลขนาดใหญ่ผ่านการเรียนรู้ด้วยตนเอง มีการฝึกอบรมเกี่ยวกับรูปภาพชุดใหญ่พร้อมการควบคุมภาษาธรรมชาติที่หลากหลายซึ่งมีอยู่มากมายบนอินเทอร์เน็ต แต่จำกัดเฉพาะภาษาอังกฤษเท่านั้น โปรเจ็กต์นี้แทนที่ตัวเข้ารหัสข้อความใน CLIP ด้วยตัวเข้ารหัสข้อความหลายภาษาที่เรียกว่า XLM-RoBERTa เพื่อขยายการใช้งานของโมเดลในหลายภาษา การใช้งาน CLIP ที่แก้ไขแล้วนี้สามารถจับคู่รูปภาพพร้อมคำบรรยายในหลายภาษาได้ โมเดลนี้ได้รับการฝึกอบรมเกี่ยวกับตัวเร่งความเร็ว 16 ตัวในอินสแตนซ์ DL1 สองอินสแตนซ์ ซึ่งแสดงให้เห็นว่าการฝึกอบรม ML สามารถปรับขนาดเพื่อใช้ตัวเร่งความเร็ว Gaudi หลายตัวในโหนดต่างๆ เพื่อเพิ่มปริมาณการฝึกอบรมและลดเวลาในการฝึกได้อย่างไร ผู้ตัดสินรู้สึกประทับใจกับการใช้การเรียนรู้เชิงลึกอย่างมีประสิทธิภาพเพื่อทำลายอุปสรรคทางภาษา และการใช้งานด้านเทคนิคซึ่งใช้การฝึกอบรมแบบกระจาย

อันดับที่สอง เรามี โครงการที่ส่งโดย Remco van Akker. ใช้ GAN (Generative Adversarial Network) เพื่อสร้างข้อมูลภาพม่านตาสังเคราะห์สำหรับการใช้งานทางการแพทย์ ข้อมูลสังเคราะห์ถูกใช้ในการฝึกแบบจำลองในการใช้งานทางการแพทย์เพื่อเอาชนะความขาดแคลนของข้อมูลทางการแพทย์ที่มีคำอธิบายประกอบ ซึ่งต้องใช้แรงงานจำนวนมากและมีค่าใช้จ่ายในการผลิตสูง ข้อมูลสังเคราะห์สามารถใช้เป็นส่วนหนึ่งของการเสริมข้อมูลเพื่อขจัดความลำเอียงและทำให้แบบจำลองการมองเห็นในการใช้งานทางการแพทย์มีลักษณะทั่วไปมากขึ้น โครงการนี้โดดเด่นเพราะใช้แบบจำลองกำเนิดบน DL1 เพื่อแก้ปัญหาในโลกแห่งความเป็นจริงที่ส่งผลต่อการประยุกต์ใช้ AI และ ML ในการดูแลสุขภาพ

การปัดเศษสามอันดับแรกของเราคือa โครงการที่ส่งโดย Zohar Jackson ที่ใช้โมเดลหม้อแปลงวิสัยทัศน์สำหรับการแบ่งส่วนความหมาย โปรเจ็กต์นี้ใช้ไลบรารี Ray Tune เพื่อปรับแต่งไฮเปอร์พารามิเตอร์ และใช้ Horovod ในการขนานการฝึกอบรมบนตัวเร่งความเร็ว Gaudi 16 ตัวในอินสแตนซ์ DL1 สองอินสแตนซ์

นอกจากผู้ชนะสามอันดับแรกแล้ว ผู้เข้าร่วมยังได้รับรางวัลอื่นๆ อีกหลายรางวัล ซึ่งรวมถึงการใช้งานด้านเทคนิคที่ดีที่สุด ผลกระทบที่อาจเกิดขึ้นสูงสุด และโครงการที่สร้างสรรค์ที่สุด เราขอแสดงความยินดีกับผู้ชนะการแข่งขัน Hackathon นี้เพื่อสร้าง a โครงการสร้างผลกระทบที่หลากหลาย บนอินสแตนซ์ EC2 DL1 ที่ใช้ตัวเร่ง Gaudi เราแทบรอไม่ไหวที่จะได้เห็นสิ่งที่ผู้เข้าร่วมของเราจะสร้างบนอินสแตนซ์ DL1 ต่อไปในอนาคต

เริ่มต้นใช้งานอินสแตนซ์ DL1

ตามที่แสดงให้เห็นโดยโครงการต่างๆ ใน ​​Hackathon นี้ คุณสามารถใช้อินสแตนซ์ EC2 DL1 เพื่อฝึกโมเดลการเรียนรู้เชิงลึกสำหรับกรณีการใช้งาน เช่น การประมวลผลภาษาธรรมชาติ การตรวจจับวัตถุ และการจดจำภาพ ด้วยอินสแตนซ์ DL1 คุณยังได้รับราคา/ประสิทธิภาพที่ดีขึ้นถึง 40% สำหรับโมเดลการเรียนรู้เชิงลึกในการฝึก เมื่อเทียบกับอินสแตนซ์ EC2 ที่ใช้ GPU รุ่นปัจจุบัน เยี่ยม อินสแตนซ์ Amazon EC2 DL1 เพื่อเรียนรู้เพิ่มเติมว่าอินสแตนซ์ DL1 สามารถเร่งปริมาณงานการฝึกอบรมของคุณได้อย่างไร

เกี่ยวกับผู้แต่ง

วิจิตร บาจไพ เป็นผู้จัดการผลิตภัณฑ์อาวุโสที่ AWS เขาทำงานในการพัฒนาอินสแตนซ์ EC2 สำหรับปริมาณงานในการเรียนรู้ของเครื่องและการประมวลผลประสิทธิภาพสูง

อมร รากาบ เป็นสถาปนิกโซลูชั่นหลักที่ AWS เขาให้คำแนะนำทางเทคนิคเพื่อช่วยลูกค้ารันปริมาณงานคอมพิวเตอร์ที่ซับซ้อนตามขนาด

ชรูติ โคปาร์การ์ เป็นผู้จัดการอาวุโสฝ่ายการตลาดผลิตภัณฑ์ของ AWS เธอช่วยลูกค้าสำรวจ ประเมิน และปรับใช้โครงสร้างพื้นฐานการประมวลผลเร่ง EC2 สำหรับความต้องการแมชชีนเลิร์นนิง