AutoScientist de Adaption automatiza el ajuste fino de modelos con entrenamiento de bucle cerrado, superando a las configuraciones diseñadas por humanos.
En Resumen
Adaption presenta AutoScientist, un sistema que personaliza automáticamente los modelos de IA optimizando tanto los datos de entrenamiento como los procesos de aprendizaje para tareas específicas.
AdaptaciónCohere, una startup de IA fundada por Sara Hooker, exvicepresidenta de investigación, ha presentado un nuevo sistema llamado AutoScientist, diseñado para automatizar el proceso de adaptación de modelos de IA a tareas específicas mediante la optimización conjunta de los datos de entrenamiento y las configuraciones de aprendizaje. El sistema se posiciona como un paso hacia la automatización de los flujos de trabajo de investigación y desarrollo de IA, con el objetivo de reducir el esfuerzo manual que normalmente se requiere para el ajuste fino y la experimentación de modelos.
AutoScientist se describe como un marco de extremo a extremo que optimiza simultáneamente conjuntos de datos y recetas de entrenamiento, iterando a través de un bucle cerrado en el que tanto la selección de datos como los parámetros de entrenamiento del modelo se ajustan continuamente. El proceso está diseñado para continuar hasta que el rendimiento se estabilice en torno a un valor determinado. defiobjetivo definido, lo que permite al sistema refinar tanto lo que aprende el modelo como la forma en que lo aprende sin la intervención humana constante.
Según la empresa, la herramienta busca reducir el tiempo necesario para pasar de un concepto inicial a un modelo personalizado e implementado, lo que podría comprimir los ciclos de desarrollo de semanas a horas. También se presenta como un mecanismo que amplía el acceso a la personalización de modelos más allá de los especialistas en aprendizaje automático, permitiendo a los usuarios sin conocimientos técnicos avanzados influir no solo en las indicaciones, sino también en el comportamiento subyacente de los sistemas entrenados. Este enfoque se considera especialmente relevante para organizaciones que buscan optimizar modelos para lenguajes específicos de dominio, resultados estructurados o limitaciones de eficiencia como la latencia y el costo, aprovechando al mismo tiempo los conjuntos de datos propios de forma más eficaz dentro de los sistemas de IA.
Las evaluaciones internas citadas por la empresa sugieren que AutoScientist ofrece un rendimiento superior al de los modelos de referencia en conjuntos de datos de entre 5,000 y 100 000 ejemplos, así como en diversas arquitecturas de modelos disponibles para su optimización. Los resultados reportados indican mejoras consistentes independientemente del ámbito, y el rendimiento se mide mediante evaluaciones internas adaptadas a aplicaciones verticales específicas.
Comparaciones adicionales presentadas en el marco de evaluación indican que AutoScientist logró un rendimiento promedio superior al de las configuraciones diseñadas por investigadores humanos, incluyendo personal experimentado en ingeniería de IA. En estas pruebas, los expertos humanos seleccionaron configuraciones de entrenamiento basándose en su conocimiento de la arquitectura del modelo, las características del conjunto de datos y los requisitos del dominio, mientras que a AutoScientist se le proporcionaron los mismos datos de entrada, junto con la capacidad de refinar iterativamente sus propias configuraciones utilizando datos históricos de ejecución. En estas condiciones, los resultados agregados mejoraron entre un 48 % y un 64 % al utilizar el sistema automatizado, con un aumento promedio del rendimiento de aproximadamente un 35 % en todos los experimentos.
AutoScientist demuestra estabilidad en diversos dominios con el objetivo de democratizar el ajuste fino de modelos de vanguardia.
Las pruebas comparativas adicionales realizadas en diversas áreas de aplicación sugieren que el sistema no es muy sensible a dominios específicos, observándose mejoras en ocho sectores verticales diferentes. La empresa destaca esta consistencia, dado que muchos métodos de optimización tradicionales suelen tener un rendimiento inferior fuera de entornos restringidos o altamente controlados, mientras que AutoScientist ofrece mejoras más estables en diversas tareas y conjuntos de datos.
El sistema se presenta como parte de un esfuerzo más amplio para automatizar los procesos de desarrollo de modelos, particularmente en áreas que implican razonamiento a largo plazo, lo cual sigue siendo un desafío constante para la confiabilidad de la IA. Los desarrolladores indican que AutoScientist representa un primer paso para reducir la necesidad de intervención manual en los procesos de entrenamiento de modelos, y que las futuras líneas de investigación se centrarán en permitir formas de adaptación más inmediatas que no requieran ciclos de entrenamiento tradicionales.
Además de sus objetivos técnicos, este lanzamiento se presenta como un esfuerzo por ampliar el acceso a la personalización de modelos, permitiendo que un mayor número de usuarios adapte sistemas de IA a aplicaciones específicas. La herramienta estará disponible de forma gratuita durante un período inicial de 30 días. El objetivo general, según la información proporcionada, es reducir las barreras para el desarrollo de modelos de IA y ampliar la capacidad de crear sistemas personalizados más allá de un pequeño grupo de investigadores especializados concentrados en grandes laboratorios.
Un argumento contextual clave que se destaca en el anuncio es que solo un pequeño número de personas en todo el mundo posee la experiencia necesaria para entrenar y optimizar adecuadamente los modelos de IA de vanguardia, y la mayor parte de este conocimiento se concentra en un número limitado de importantes laboratorios de investigación. Se sugiere que si un sistema como AutoScientist logra automatizar con éxito aspectos de esta experiencia, el proceso de creación de modelos personalizados para organizaciones individuales y casos de uso específicos podría volverse más accesible y factible en la práctica.
Renuncia de responsabilidad:
En línea con la Directrices del Proyecto Confianza, tenga en cuenta que la información proporcionada en esta página no pretende ser ni debe interpretarse como asesoramiento legal, fiscal, de inversión, financiero o de cualquier otro tipo. Es importante invertir sólo lo que pueda permitirse perder y buscar asesoramiento financiero independiente si tiene alguna duda. Para mayor información sugerimos consultar los términos y condiciones así como las páginas de ayuda y soporte proporcionadas por el emisor o anunciante. MetaversePost se compromete a brindar informes precisos e imparciales, pero las condiciones del mercado están sujetas a cambios sin previo aviso.
Sobre la autora
Alisa, una dedicada periodista del MPost, se especializa en criptomonedas, IA, inversiones y el amplio campo de Web3. Con buen ojo para las tendencias y tecnologías emergentes, ofrece una cobertura completa para informar e involucrar a los lectores en el panorama en constante evolución de las finanzas digitales.
Más artículos
Alisa, una dedicada periodista del MPost, se especializa en criptomonedas, IA, inversiones y el amplio campo de Web3. Con buen ojo para las tendencias y tecnologías emergentes, ofrece una cobertura completa para informar e involucrar a los lectores en el panorama en constante evolución de las finanzas digitales.
