-

鎧俠在2022年歐洲電腦視覺會議上展示影像分類系統,透過高容量儲存部署Memory-Centric AI技術

東京--(BUSINESS WIRE)--(美國商業資訊)-- (美國商業資訊)--記憶體解決方案的全球領導者鎧俠株式會社(Kioxia Corporation)開發了一種採用Memory-Centric AI的影像分類系統。Memory-Centric AI是一項利用高容量儲存的人工智慧技術。該系統使用神經網路對影像進行分類,而神經網路會參考外部高容量儲存中的知識;這樣可避免「災難性遺忘」(catastrophic forgetting)這一神經網路的主要挑戰,並可在不損失當前知識的情況下增加或更新知識。鎧俠於10月25日在特拉維夫舉行的2022年歐洲電腦視覺會議(ECCV 2022)上對該技術進行了口頭彙報。ECCV是電腦視覺領域的頂尖會議[1]

傳統的人工智慧技術透過更新名為「權重」(weight)的參數來訓練神經網路,從而獲得知識。一旦完成訓練,神經網路必須從頭開始重新訓練,或者用新資料進行微調才能獲得新知識。前者需要大量的時間並消耗大量的能源成本,而後者需要更新參數並面臨災難性的遺忘問題,即喪失曾獲得的知識,導致分類準確度下降。

為解決神經網路的影像分類系統的成本和準確性問題,新的解決方案將大量的影像資料、標籤和影像特徵圖[2]作為知識儲存在一個高容量儲存中。然後,神經網路透過參考這些儲存的知識對影像進行分類(圖1。這種方法透過向儲存的資料增加新獲得的影像標籤和特徵圖來增加或更新知識。由於不需要重新訓練或更新權重,不僅避免了「災難性遺忘」,影像分類也能保持更高準確度。

此外,由於神經網路對影像進行分類時參考了所儲存的資料,因而分類結果所依據的資料具備視覺化,從而有望提高人工智慧的可解釋性[3]、緩解黑箱問題[4],並支援對知識來源進行選擇性地修改。此外,透過分析所引用的資料,可以根據引用頻率來評估每個儲存資料的貢獻。

鎧俠秉承「用『記憶體』提升世界」使命,持續為人工智慧和儲存技術的發展做出貢獻,鎧俠將Memory-Centric AI從影像分類延伸到其他領域,並促進採用高容量儲存的人工智慧技術的研究和開發。

關於Memory-Centric AI

介紹影片:https://youtu.be/lw8XKhviGJc
Memory-Centric AI,第一部分:鎧俠頂尖工程師是如何開發依賴記憶的人工智慧 https://brand.kioxia.com/en-jp/articles/article25.html
Memory-Centric AI,第二部分:記憶網路:Memory-Centric AI用途頭腦風暴 https://brand.kioxia.com/en-jp/articles/article26.html

關於歐洲電腦視覺會議

歐洲電腦視覺會議(ECCV)是電腦視覺領域的頂尖會議。近年來,ECCV已被確立為人工智慧研究論文發表的主要場合,涵蓋影像分類、物體偵測和其他使用深度學習的技術。今年的口頭報告接收率為2.7%。

[1] Paper title: K. Nakata et. al., “Revisiting a kNN-based Image Classification System with High-capacity Storage”, European Conference on Computer Vision 2022 (ECCV 2022)(論文題目:K. Nakata等人,《重新審視採用kNN的高容量儲存的影像分類系統》,2022年歐洲電腦視覺會議)
[2] Image feature maps: multidimensional (e.g., 1,024-dimensional) numerical data obtained through neural network operations(影像特徵圖:透過神經網路操作獲得的多維(如1,024維)數位資料)
[3] Explainability of AI: possibly of explaining the basis and reasons of results predicted by AI in a way that can be interpreted by humans.(人工智慧的可解釋性:以人類解讀的方式解釋人工智慧預測的結果的潛在基礎和原因。)
[4] Black-box problem: the process leading to the results predicted by AI is not interpretable to humans, making it a black box problem.(黑箱問題:人工智慧預測結果的創造過程無法被人類解讀,成為一項黑箱問題。)

公司名稱、產品名稱和服務名稱可能是協力廠商公司的商標。

關於鎧俠

鎧俠是全球記憶體解決方案領導者,致力於開發、生產和銷售快閃記憶體及固態硬碟(SSD)。東芝公司於1987年發明了NAND快閃記憶體,2017年4月,鎧俠前身東芝記憶體集團從東芝公司分割出來。鎧俠致力於透過提供產品、服務和系統,為客戶提供選擇,為社會創造記憶體的價值,從而用「記憶體」提升世界。鎧俠創新的3D快閃記憶體技術BiCS FLASH™正在塑造諸多高容量應用的未來儲存方式,其中包括高階智慧手機、PC、SSD、汽車和資料中心等。

免責聲明:本公告之原文版本乃官方授權版本。譯文僅供方便瞭解之用,煩請參照原文,原文版本乃唯一具法律效力之版本。

Contacts

Kota Yamaji
公關部
鎧俠控股株式會社
81-3-6478-2319
kioxia-hd-pr@kioxia.com

Kioxia Corporation



Contacts

Kota Yamaji
公關部
鎧俠控股株式會社
81-3-6478-2319
kioxia-hd-pr@kioxia.com

More News From Kioxia Corporation

Kioxia推出針對PC OEM的全新主流KIOXIA BG8系列固態硬碟

東京--(BUSINESS WIRE)--(美國商業資訊)-- Kioxia Corporation今日宣布推出KIOXIA BG8系列固態硬碟(SSD),這是其針對PC OEM客戶的用戶端固態硬碟產品線的最新力作。KIOXIA BG8系列將PCIe® 5.0的速度引進主流市場,兼具下一代技術能力、高效運行與廣泛的設計靈活性,適用於輕薄筆電、商用和消費級筆電以及桌上型電腦系統。 KIOXIA BG8系列採用Kioxia的BiCS FLASH™第八代TLC架構3D快閃記憶體打造,在效能和能效上均實現升級。相較上一代產品(1),KIOXIA BG8系列的連續讀取效能最高提升47%,連續寫入效能提升67%,隨機讀取效能提升44%,隨機寫入效能提升30%。 KIOXIA BG8系列的連續讀取速度最高可達10,300 MB/s,連續寫入速度最高可達10,000 MB/s,隨機讀取和寫入效能分別最高可達140萬和130萬IOPS,可在各類用戶端應用場景下提供靈敏流暢的系統運行表現。 無DRAM的KIOXIA BG8系列支援主機記憶體緩衝(HMB)功能,利用主機系統記憶體協助實現效能、功耗和成本的平...

Kioxia推出針對PC OEM廠商的高性價比QLC架構KIOXIA EG7系列固態硬碟

東京--(BUSINESS WIRE)--(美國商業資訊)-- Kioxia Corporation今日宣布推出KIOXIA EG7系列固態硬碟(SSD),這是首款採用Kioxia的BiCS FLASH™第八代每單元4位元四階式單元(QLC)技術的用戶端解決方案。採用QLC架構的KIOXIA EG7系列可提供媲美TLC架構解決方案的效能(1),從而為高性價比輕薄本以及商用和消費級筆記型電腦和桌上型電腦帶來更低的整體擁有成本(TCO)。 KIOXIA EG7系列固態硬碟將KIOXIA BiCS FLASH™第八代QLC 3D快閃記憶體的效能和能效優勢帶給PC OEM廠商的常見運算工作負載。新品可實現最高1000 KIOPS的隨機讀寫效能、最高7000 MB/s的連續讀取速度和最高6200 MB/s的連續寫入速度。 KIOXIA EG7系列支援NVMe™ 2.0d規範,為PC OEM廠商在系統設計和裝置管理方面提供更大的靈活性。該系列提供M.2 Type 2230、Type 2242和Type 2280三種外形尺寸,可在多種系統組態與空間限制下實現更廣泛的相容性。 身為Kioxia高性價比...

KIOXIA單伺服器實現48億高維度向量搜尋資料庫,藉助GPU實現索引建構時間加快7.8倍

東京--(BUSINESS WIRE)--(美國商業資訊)-- Kioxia Corporation今日宣布,憑藉其開放原始碼的KIOXIA AiSAQ™近似最近鄰搜尋(ANNS)技術,成功示範在單台伺服器上實現48億向量的高維度向量搜尋擴充。此外,Kioxia還展示了透過NVIDIA cuVS利用GPU加速,顯著縮短索引建構時間的成果。這兩項成果代表檢索強化生成(RAG)搜尋解決方案取得了重大進展。目前公司正持續開發,以支援超過48億向量的更大規模部署。 大規模向量資料庫的索引建構時間是產業的核心痛點。Kioxia與NVIDIA合作,示範其在1024維度高維度向量的KIOXIA AiSAQ索引建構時間上最多20倍的改進,以及端對端建構時間上最多7.8倍的改進。這20倍的改進表示,建構索引的時間從使用CPU的28.4天縮短至使用4塊NVIDIA Hopper GPU的1.4天,端對端測試時間從31天縮短至4天。1 如今,AI應用程式可依賴儲存在固態硬碟上的更大規模向量化資訊(可達數百億向量及以上),而僅靠DRAM即便在十億級規模下也已不再適用。Kioxia藉助KIOXIA AiSAQ技...
Back to Newsroom