Imagina un asistente virtual que no sólo entienda tus órdenes de voz, sino que también se anticipe a tus necesidades basándose en tu comportamiento y preferencias anteriores.
Investigadores del Instituto Tecnológico de Massachusetts (MIT) han desarrollado PockEngine, una tecnología de entrenamiento de modelos de IA. El sistema trabaja en la mejora de la IA incluso antes de que empiecen las tareas, para maximizar la eficacia y la velocidad de procesamiento.
La capacidad de procesar información y aprender en tiempo real sin depender de la infraestructura de computación en nube es un paso adelante para la IA portátil. Esta tecnología puede utilizarse en dispositivos inteligentes.
Las principales características de PockEngine son:
1. Aborda el reto de mejorar los modelos de aprendizaje profundo en dispositivos con potencia computacional limitada, como los smartphones.
2. Identifica y actualiza solo los segmentos importantes de la red neuronal que contribuyen a la precisión, reduciendo así la cantidad de memoria y potencia computacional necesaria para afinar el modelo de IA.
3. Permite la adaptación en tiempo real de la IA en dispositivos pequeños, mejora la privacidad de los datos al permitir el cómputo local y la adaptación al comportamiento individual del usuario.
4. Puede ejecutarse hasta 15 veces más rápido que los métodos existentes en hardware específico sin pérdida de precisión.
La capacidad de procesar información y aprender en tiempo real sin depender de la infraestructura de computación en nube es un paso adelante para la IA portátil. Esta tecnología puede utilizarse en dispositivos inteligentes.
Las principales características de PockEngine son:
1. Aborda el reto de mejorar los modelos de aprendizaje profundo en dispositivos con potencia computacional limitada, como los smartphones.
2. Identifica y actualiza solo los segmentos importantes de la red neuronal que contribuyen a la precisión, reduciendo así la cantidad de memoria y potencia computacional necesaria para afinar el modelo de IA.
3. Permite la adaptación en tiempo real de la IA en dispositivos pequeños, mejora la privacidad de los datos al permitir el cómputo local y la adaptación al comportamiento individual del usuario.
4. Puede ejecutarse hasta 15 veces más rápido que los métodos existentes en hardware específico sin pérdida de precisión.