O marco alcançado pelo AlexNet em 2012 apoiou-se na engenharia de GPUs de baixo nível (cuda-convnet), numa arquitetura dividida entre duas GPUs, e desencadeou diretamente uma corrida rápida por modelos de visão computaci
Entre 2015 e hoje, o aprendizado profundo evoluiu do código C++ para GPU ajustado manualmente e das redes convolucionais para mecanismos matriciais acelerados por hardware e arquiteturas Transformer. Estes três marcos de
Os Transformers modernos dependem dos cálculos matriciais de autoatenção, de compiladores de GPU de alto nível como o Triton e de kernels CUDA atentos à memória como o FlashAttention para processar sequências enormes de
CUDA (Compute Unified Device Architecture) é a plataforma de computação paralela e o modelo de programação da NVIDIA que permitem que frameworks de deep learning executem cálculos matemáticos pesados em GPUs. Ao distribu
Os pesquisadores de IA começaram a reconhecer a enorme vantagem de desempenho do CUDA para redes neurais entre 2006 e 2009, com o avanço definitivo para o grande público acontecendo em 2012. Antes dessa mudança, as redes
Em 2012, o avanço do AlexNet provou que redes neurais profundas combinadas com GPUs habilitadas para CUDA podiam superar décadas de engenharia tradicional de visão computacional. No ImageNet Large Scale Visual Recognitio
Life360 abriu sua plataforma Family Intelligence para assistentes de IA terceirizados, permitindo que agentes conectados consultem informações de seu