Το AutoScientist της Adaption αυτοματοποιεί την βελτιστοποίηση μοντέλων με εκπαίδευση κλειστού βρόχου, ξεπερνώντας σε απόδοση τις διαμορφώσεις που έχουν σχεδιαστεί από τον άνθρωπο
Εν συντομία
Η Adaption παρουσιάζει το AutoScientist, ένα σύστημα που προσαρμόζει αυτόματα τα μοντέλα Τεχνητής Νοημοσύνης βελτιστοποιώντας τόσο τα δεδομένα εκπαίδευσης όσο και τις διαδικασίες μάθησης για συγκεκριμένες εργασίες.
ΠροσαρμογήΗ , μια νεοσύστατη εταιρεία τεχνητής νοημοσύνης που ιδρύθηκε από την πρώην Αντιπρόεδρο Έρευνας της Cohere, Sara Hooker, παρουσίασε ένα νέο σύστημα που ονομάζεται AutoScientist, το οποίο έχει σχεδιαστεί για να αυτοματοποιεί τη διαδικασία προσαρμογής μοντέλων τεχνητής νοημοσύνης σε συγκεκριμένες εργασίες, βελτιστοποιώντας από κοινού τόσο τα δεδομένα εκπαίδευσης όσο και τις διαμορφώσεις μάθησης. Το σύστημα τοποθετείται ως ένα βήμα προς την αυτοματοποίηση των ροών εργασίας έρευνας και ανάπτυξης τεχνητής νοημοσύνης, με στόχο τη μείωση της χειροκίνητης προσπάθειας που συνήθως απαιτείται για την βελτιστοποίηση και τον πειραματισμό των μοντέλων.
Το AutoScientist περιγράφεται ως ένα ολοκληρωμένο πλαίσιο που βελτιστοποιεί ταυτόχρονα σύνολα δεδομένων και συνταγές εκπαίδευσης, επαναλαμβάνοντας μέσω ενός κλειστού βρόχου στον οποίο τόσο η επιλογή δεδομένων όσο και οι παράμετροι εκπαίδευσης μοντέλου προσαρμόζονται συνεχώς. Η διαδικασία έχει σκοπό να συνεχιστεί μέχρι να σταθεροποιηθεί η απόδοση γύρω από ένα defiο στόχος είναι ο ned, επιτρέποντας ουσιαστικά στο σύστημα να βελτιώσει τόσο το τι μαθαίνει το μοντέλο όσο και τον τρόπο με τον οποίο το μαθαίνει χωρίς συνεχή ανθρώπινη παρέμβαση.
Σύμφωνα με την εταιρεία, το εργαλείο έχει ως στόχο να μειώσει τον χρόνο που απαιτείται για τη μετάβαση από μια αρχική ιδέα σε ένα αναπτυγμένο, προσαρμοσμένο μοντέλο, συμπιέζοντας ενδεχομένως τους κύκλους ανάπτυξης από εβδομάδες σε ώρες. Παρουσιάζεται επίσης ως ένας μηχανισμός που διευρύνει την πρόσβαση στην προσαρμογή μοντέλων πέρα από τους ειδικούς μηχανικής μάθησης, επιτρέποντας στους χρήστες χωρίς βαθιά τεχνική εμπειρία να επηρεάσουν όχι μόνο τις υποδείξεις αλλά και την υποκείμενη συμπεριφορά των εκπαιδευμένων συστημάτων. Η προσέγγιση διατυπώνεται ως ιδιαίτερα σχετική για οργανισμούς που επιδιώκουν να βελτιώσουν τα μοντέλα για γλώσσα συγκεκριμένης περιοχής, δομημένες εξόδους ή περιορισμούς απόδοσης όπως η καθυστέρηση και το κόστος, αξιοποιώντας παράλληλα ιδιόκτητα σύνολα δεδομένων πιο αποτελεσματικά εντός συστημάτων Τεχνητής Νοημοσύνης.
Οι εσωτερικές αξιολογήσεις στις οποίες αναφέρεται η εταιρεία υποδεικνύουν ότι το AutoScientist επιδεικνύει βελτιωμένη απόδοση σε σύγκριση με τα βασικά μοντέλα σε ένα εύρος μεγεθών συνόλων δεδομένων μεταξύ 5,000 και 100,000 παραδειγμάτων, καθώς και σε πολλαπλές αρχιτεκτονικές μοντέλων που είναι διαθέσιμες για βελτιστοποίηση. Τα αναφερόμενα αποτελέσματα υποδεικνύουν συνεπή κέρδη ανεξάρτητα από τον τομέα, με την απόδοση να μετράται χρησιμοποιώντας εσωτερικές αξιολογήσεις προσαρμοσμένες σε συγκεκριμένες κάθετες εφαρμογές.
Περαιτέρω συγκρίσεις που παρουσιάζονται στο πλαίσιο αξιολόγησης δείχνουν ότι το AutoScientist πέτυχε υψηλότερη μέση απόδοση από τις διαμορφώσεις που σχεδιάστηκαν από ανθρώπους ερευνητές, συμπεριλαμβανομένου έμπειρου προσωπικού μηχανικής τεχνητής νοημοσύνης. Σε αυτές τις δοκιμές, οι ανθρώπινοι εμπειρογνώμονες επέλεξαν διαμορφώσεις εκπαίδευσης με βάση τις γνώσεις τους σχετικά με την αρχιτεκτονική του μοντέλου, τα χαρακτηριστικά του συνόλου δεδομένων και τις απαιτήσεις του τομέα, ενώ το AutoScientist έλαβε τα ίδια δεδομένα εισόδου μαζί με τη δυνατότητα να βελτιώσει επαναληπτικά τις δικές του διαμορφώσεις χρησιμοποιώντας ιστορικά δεδομένα εκτέλεσης. Υπό αυτές τις συνθήκες, τα συνολικά αποτελέσματα αναφέρθηκε ότι βελτιώθηκαν από 48% σε 64% κατά τη χρήση του αυτοματοποιημένου συστήματος, με μέση αύξηση απόδοσης περίπου 35% σε όλα τα πειράματα.
Το AutoScientist δείχνει σταθερότητα σε διατομεακά περιβάλλοντα, ενώ παράλληλα στοχεύει στην εκδημοκρατικοποίηση της βελτίωσης του μοντέλου Frontier
Η πρόσθετη συγκριτική αξιολόγηση σε πολλαπλούς τομείς εφαρμογής υποδηλώνει ότι το σύστημα δεν είναι ιδιαίτερα ευαίσθητο σε συγκεκριμένους τομείς, με κέρδη που παρατηρούνται σε οκτώ διαφορετικούς κλάδους. Η εταιρεία αναφέρει ότι αυτή η συνέπεια είναι αξιοσημείωτη, δεδομένου ότι πολλές παραδοσιακές προσεγγίσεις βελτίωσης τείνουν να υποαποδίδουν εκτός στενών ή ιδιαίτερα επιμελημένων ρυθμίσεων, ενώ το AutoScientist φέρεται να προσφέρει πιο σταθερές βελτιώσεις σε ποικίλες εργασίες και σύνολα δεδομένων.
Το σύστημα τοποθετείται ως μέρος μιας ευρύτερης προσπάθειας αυτοματοποίησης των διαδικασιών ανάπτυξης μοντέλων, ιδίως σε τομείς που αφορούν τη μακροπρόθεσμη συλλογιστική, η οποία παραμένει μια επίμονη πρόκληση στην αξιοπιστία της Τεχνητής Νοημοσύνης. Οι προγραμματιστές υποδεικνύουν ότι το AutoScientist αντιπροσωπεύει ένα πρώιμο βήμα προς τη μείωση της ανάγκης για χειροκίνητη παρέμβαση στα συστήματα εκπαίδευσης μοντέλων, με μελλοντικές ερευνητικές κατευθύνσεις να επικεντρώνονται στην ενεργοποίηση πιο άμεσων μορφών προσαρμογής που μπορεί να μην απαιτούν παραδοσιακούς κύκλους εκπαίδευσης.
Παράλληλα με τους τεχνικούς στόχους της, η έκδοση διαμορφώνεται επίσης ως μια προσπάθεια διεύρυνσης της πρόσβασης στην προσαρμογή μοντέλων, επιτρέποντας σε ένα ευρύτερο φάσμα χρηστών να διαμορφώνουν συστήματα Τεχνητής Νοημοσύνης για συγκεκριμένες εφαρμογές. Το εργαλείο διατίθεται δωρεάν για μια αρχική περίοδο 30 ημερών. Ο ευρύτερος στόχος, σύμφωνα με το παρεχόμενο πλαίσιο, είναι η μείωση των εμποδίων στην ανάπτυξη μοντέλων Τεχνητής Νοημοσύνης και η επέκταση της δυνατότητας δημιουργίας προσαρμοσμένων συστημάτων πέρα από μια μικρή ομάδα εξειδικευμένων ερευνητών που συγκεντρώνονται σε μεγάλα εργαστήρια.
Ένα βασικό επιχείρημα που επισημαίνεται στην ανακοίνωση είναι ότι μόνο ένας μικρός αριθμός ανθρώπων παγκοσμίως διαθέτει την απαιτούμενη εμπειρογνωμοσύνη για την σωστή εκπαίδευση και βελτίωση μοντέλων τεχνητής νοημοσύνης αιχμής, με το μεγαλύτερο μέρος αυτής της γνώσης να συγκεντρώνεται σε έναν περιορισμένο αριθμό μεγάλων ερευνητικών εργαστηρίων. Υποστηρίζεται ότι εάν ένα σύστημα όπως το AutoScientist είναι σε θέση να αυτοματοποιήσει με επιτυχία πτυχές αυτής της εμπειρογνωμοσύνης, η διαδικασία δημιουργίας προσαρμοσμένων μοντέλων για μεμονωμένους οργανισμούς και συγκεκριμένες περιπτώσεις χρήσης θα μπορούσε να γίνει πιο προσιτή και πρακτικά εφικτή.
Αποποίηση Eυθυνών
Σύμφωνα με το Οδηγίες του έργου Trust, σημειώστε ότι οι πληροφορίες που παρέχονται σε αυτήν τη σελίδα δεν προορίζονται και δεν πρέπει να ερμηνεύονται ως νομικές, φορολογικές, επενδυτικές, χρηματοοικονομικές ή οποιαδήποτε άλλη μορφή συμβουλής. Είναι σημαντικό να επενδύσετε μόνο ό,τι έχετε την πολυτέλεια να χάσετε και να αναζητήσετε ανεξάρτητες οικονομικές συμβουλές εάν έχετε οποιεσδήποτε αμφιβολίες. Για περισσότερες πληροφορίες, προτείνουμε να ανατρέξετε στους όρους και τις προϋποθέσεις, καθώς και στις σελίδες βοήθειας και υποστήριξης που παρέχονται από τον εκδότη ή τον διαφημιστή. MetaversePost δεσμεύεται για ακριβείς, αμερόληπτες αναφορές, αλλά οι συνθήκες της αγοράς υπόκεινται σε αλλαγές χωρίς προειδοποίηση.
Σχετικά με το Συγγραφέας
Alisa, αφοσιωμένη δημοσιογράφος στο MPost, ειδικεύεται σε κρυπτονομίσματα, τεχνητή νοημοσύνη, επενδύσεις και στον εκτεταμένο τομέα των Web3. Με έντονο μάτι για τις αναδυόμενες τάσεις και τεχνολογίες, παρέχει ολοκληρωμένη κάλυψη για την ενημέρωση και την εμπλοκή των αναγνωστών στο συνεχώς εξελισσόμενο τοπίο της ψηφιακής χρηματοδότησης.
Περισσότερα άρθρα
Alisa, αφοσιωμένη δημοσιογράφος στο MPost, ειδικεύεται σε κρυπτονομίσματα, τεχνητή νοημοσύνη, επενδύσεις και στον εκτεταμένο τομέα των Web3. Με έντονο μάτι για τις αναδυόμενες τάσεις και τεχνολογίες, παρέχει ολοκληρωμένη κάλυψη για την ενημέρωση και την εμπλοκή των αναγνωστών στο συνεχώς εξελισσόμενο τοπίο της ψηφιακής χρηματοδότησης.
