英特爾發布開源AI參考套件

英特爾正式推出了首套開源AI參考套件，旨在讓企業能夠在本地、云端和邊緣環境中都更易于部署AI。這些在英特爾On產業創新峰會（Intel Vision）上率先公布的參考套件包括AI模型代碼、端到端機器學習管道說明、庫和用于跨架構運行的英特爾oneAPI組件，讓數據科學家和開發者能夠學習如何更快速、更簡單地在醫療、制造、零售和其他行業部署準確性更高、性能更優和總落地成本更低的AI。 

英特爾副總裁兼人工智能和分析部門總經理李煒博士表示：“在開放和眾創的環境中，創新才能蓬勃發展。不管是包括各種已優化的流行框架的英特爾加速開放AI軟件生態，還是英特爾的AI工具，都建立在開放的、基于標準的、統一的oneAPI編程模型基礎上。此次推出的參考套件是用英特爾的各項端到端AI軟件產品打造而成，將讓數百萬的開發者和數據科學家能夠輕松快捷地將AI加入應用程序，或改善現有的智能解決方案。” 

隨著視覺、語音、推薦系統等領域的用例出現，AI工作負載正不斷增長并變得更加多樣化。與埃森哲聯合開發的英特爾AI參考套件旨在加速推動AI在各行業的應用。這些套件是開源的預置AI，可針對各種重要企業應用場景，支持新AI的引入和現有AI解決方案的戰略調整。 

本次英特爾將推出四款套件供下載： 

●          公用設施資產健康：隨著全球能源消耗的持續增長，電力傳輸資產的數量預計也將增長。這一預測分析模型被訓練用于提高公用設施的服務可靠性。通過英特爾?oneAPI數據分析庫（Intel? oneAPI Data Analytics Library），它使用經英特爾優化的XGBoost算法，基于34項屬性和超過1,000萬個數據點，對電線桿的使用狀況進行建模¹。數據類型包括資產使用年限、機械性能、地理空間數據、檢查報告、制造商、先前的維修和維護歷史以及斷電記錄。該預測性資產維護模型會不斷學習新提供的數據，如新的電線桿制造商、斷電和其他條件變化。 

●          視覺質量控制：質量控制是所有制造業務中的必需環節。計算機視覺技術的挑戰在于它們在訓練過程中往往需要大量的圖像算力，且需要隨著新產品的推出頻繁地重新訓練。這一AI視覺質量控制模型是用包括英特爾^?PyTorch優化版的英特爾?AI Analytics Toolkit和英特爾?發行版OpenVINO?工具套件訓練而成，二者均由oneAPI提供技術支持。針對跨CPU、GPU和其它基于加速器的架構的計算機視覺工作負載，與現有的未經英特爾優化²的埃森哲視覺質量控制套件相比，這一模型的的訓練和推理速度分別提高了20%和55%。利用計算機視覺技術和SqueezeNet分類算法，這一AI視覺質量控制模型可通過超參數調優和優化檢測藥品缺陷，準確率達95%。 

●          客服機器人：對話式聊天機器人已成為支持整個企業發展的關鍵服務。用于對話式聊天機器人交互的AI模型是規模龐大且高度復雜的。這款參考套件包含了進行意圖分類（intent classification）和命名實體識別（named-entity recognition）的深度學習自然語言處理模型，使用BERT和PyTorch。英特爾?PyTorch擴展包（Intel? Extension for PyTorch）和英特爾?發行版OpenVINO?工具對該模型進行了優化，實現了跨異構的更高性能，與現有的未經英特爾優化³的埃森哲客服機器人套件相比，推理速度提高了45%，同時，還讓開發者通過最少的代碼改動就能重新使用模型開發代碼進行訓練和推理。 

●          智能文檔索引：企業每年需要處理和分析數百萬份文檔，許多半結構化和非結構化文檔都需要手動操作。AI可以自動處理和分類這些文檔，以提高速度并降低人力成本。此款套件使用支持向量分類（SVC）模型，并通過oneAPI技術支持下的Intel?發行版Modin和英特爾?Scikit-learn擴展包（Intel? Extension for Scikit-learn）進行了優化。與現有的未經英特爾優化⁴的埃森哲智能文檔索引工具包相比，這些工具將將數據預處理、訓練和推理的時間分別提高了46%、96%和60%，能以65%的準確率審閱和分析文檔。 

這些AI參考套件可在英特爾官網的AI參考套件頁面或Github上免費下載。 

開發者希望能將AI加入其解決方案，英特爾此次發布的AI參考套件則有助于這一目標的實現。這些套件建立在英特爾端到端工具和框架優化AI軟件的基礎上，并完善了這一產品組合。基于oneAPI開放的、基于標準的、異構的，可在多種架構上運行的編程模型開發，這些工具能克服專有環境限制，幫助數據科學家以更快的速度和更低的成本訓練模型。 

未來一年，英特爾還將發布一系列新開源AI參考套件，提供各種已訓練好的機器學習和深度學習模型，幫助各種規模的企業進行數字化轉型。

附屬細則：

注意事項與免責聲明

1_{預測性公共設施分析參考套件（Predictive Utility Analytics Reference Kit），測量于2022年6月29日。硬件配置：微軟Azure Standard D4_v5，操作系統：Ubuntu 20.04.4 LTS（Focal Fossa），8 X英特爾?至強?Platinum 8370C CPU @ 2.80GHz，2線程/核, 4核/插槽，1插槽。軟件配置：配置1（Python v3.9，Scikit-learn v 1.0.2，Xgboost v0.81），配置2（英特爾?發行版Python 3.9.12 2022.0.0，Scikit-learn 0.24.2，英特爾?Scikit-learn擴展包 2021.5.1，Xgboost 1.4.3，daap4py 2021.6.0）。其他詳細信息見https://github.com/oneapi-src/predictive-health-analytics。結果可能有所不同。}

2_{視覺質量檢測套件（Visual Quality Inspection Reference Kit），測量于2022年6月29日。硬件配置：微軟Azure Standard D4_v5，操作系統：Ubuntu 20.04.4 LTS（Focal Fossa），4 X英特爾?至強?Platinum 8370C CPU @ 2.80GHz，2線程/核，2核/插槽，1插槽。軟件配置：配置1（PyTorch v1.8.0），配置2（英特爾?PyTorch擴展包 v1.8.0，英特爾?神經網絡壓縮器v1.12，英特爾?發行版OpenVINO工具2021.4.2）。其他詳細信息見https://github.com/oneapi-src/visual-quality-inspection。結果可能有所不同。}

3_{客服機器人參考套件（Customer Chatbot Reference Kit），測量于2022年6月22日。硬件配置：微軟Azure Standard D4_v5，操作系統：Red Hat Enterprise Linux Server 7.9，4 X英特爾?至強?Platinum 8370C CPU @ 2.80GHz, 2線程/核, 2核/插槽，1插槽。軟件配置：配置1（PyTorch v1.11），配置2（PyTorch v1.11.0，英特爾?PyTorch擴展包 v1.11.200，英特爾?神經網絡壓縮器v1.12）。其他詳細信息見https://github.com/oneapi-src/customer-chatbot。結果可能有所不同。}

4_{智能索引參考套件（Intelligent Indexing Reference Kit），測量于2022年6月22日。硬件配置：亞馬遜AWS m6i.xlarge，操作系統：Red Hat Enterprise Linux Server 7.9，4 X英特爾?至強?Platinum 8370C CPU @ 2.80GHz, 2線程/核, 2核/插槽，1插槽。軟件配置：配置1（Pandas, Scikit-learn），配置2（英特爾?AI Analytics Toolkit v 2021.4.1，英特爾?Scikit-learn擴展包，英特爾?發行版Modin）。其他詳細信息見https://github.com/oneapi-src/intelligent-indexing。結果可能有所不同。}

實際性能受使用情況、配置和其他因素的差異影響。

結果可能有所不同。性能結果基于配置信息中顯示的日期進行測試，且可能并未反映所有公開可用的更新。

沒有任何產品或組件能夠保證絕對安全。

您的成本和結果可能有所不同。

英特爾技術可能需要啟用硬件、軟件或激活服務。

英特爾不控制或審計第三方數據。在評估數據準確性時，請參考其它信息源。