Metodo Per Ottimizzare Le Risorse Computazionali Di Una Rete Neurale
Contatta direttamente l'ente di riferimento per sapere di più su questa tecnologia.
ContattaciInformazioni sul brevetto
Proprietari del brevetto
Politecnico di TorinoNumero di priorità
Data di priorità
Stato del brevetto
Licenza
TRL
Necessità di finanziamento
Parole chiave
Reti Neurali, Machine Learning, Intelligenza Artificiale, Machine Vision, Hardware Bassa Potenza
Team di ricerca | Inventori
Accediper visualizzare i dati
Scarica la presentazione del progetto
Accediper scaricare il PDF
Metodo Per Ottimizzare Le Risorse Computazionali Di Una Rete Neurale
Deep Learning | Enhanced Edge Computing
Introduzione
Le attuali soluzioni di intelligenza artificiale (IA) hanno dimostrato capacità nel risolvere problemi complessi, dalla guida autonoma al controllo di flussi. Una dei principali limiti dell’IA è legato al grande bisogno di risorse, sia in termini di energia che di disponibilità hardware, con conseguenti costi non trascurabili.
Definito un problema di machine learning e determinati vincoli (es. hardware) di trovare il modello che rappresenta il miglior compromesso fra risorse computazionali (hardware, energetiche) e accuratezza del modello finale.
Looking for
Il titolare di questo brevetto è attualmente in cerca di:
Caratteristiche tecniche
La tecnologia sviluppata si compone di tre elementi operativi, il primo ha lo scopo di fornire il miglior design della rete dati i vincoli di ingresso, il secondo si occupa di identificare i pesi della rete che massimizzano l'accuratezza del modello, il terzo rappresenta la validazione final della rete generata su dati non visti durante le prime fasi. Il sistema prende in ingresso una serie di parametri di riferimento riferiti a dati, task e hardware e elabora la miglior rete per il caso specifico sfruttando in fase finale i dati di validazione scelti.
Questo approccio permette di ottenere uno strumento che, a differenza delle soluzioni esistenti, risolve non solo il problema di massimizzare l'accuratezza della rete generata, ma anche quello dell'uso di risorse. Oltre a evidenti vantaggi tecnici, la soluzione permette di avere significativi vantaggi economici grazie alla generazione di reti customizzate sui requisiti specifici di determinate applicazioni.
Possibili applicazioni
- Guida autonoma: migliori prestazioni real-time con minori risorse
- Healthcare: maggior bilanciamento tra risorse e accuratezza in sistemi diagnostici con IA
- Manifatturiero: migliore efficienza dei sistemi di controllo qualità e di manutenzione predittiva
- Immagini satellitari: miglioramento delle IA applicate dal monitoraggio ambientale al rilevamento dei cambiamenti climatici.
Vantaggi
- Ottimizzazione costo computazionale e energetico
- Miglioramento dell’accuratezza delle reti neurali.
- Personalizzazione della rete neurale
