AutoScientist d'Adaption automatise le réglage fin des modèles grâce à un apprentissage en boucle fermée, surpassant ainsi les configurations conçues par l'homme.
En bref
Adaption dévoile AutoScientist, un système qui personnalise automatiquement les modèles d'IA en optimisant à la fois les données d'entraînement et les processus d'apprentissage pour des tâches spécifiques.
AdaptationLa startup d'IA fondée par Sara Hooker, ancienne vice-présidente de la recherche chez Cohere, a lancé AutoScientist, un nouveau système conçu pour automatiser l'adaptation des modèles d'IA à des tâches spécifiques en optimisant conjointement les données d'entraînement et les configurations d'apprentissage. Ce système représente une avancée vers l'automatisation des flux de travail de recherche et développement en IA, avec pour objectif de réduire le travail manuel généralement requis pour le réglage fin et l'expérimentation des modèles.
AutoScientist est décrit comme un framework de bout en bout qui optimise simultanément les jeux de données et les protocoles d'entraînement, en itérant dans une boucle fermée où la sélection des données et les paramètres d'entraînement du modèle sont ajustés en continu. Ce processus se poursuit jusqu'à ce que les performances se stabilisent autour d'un seuil donné. defiL'objectif est de permettre au système d'affiner à la fois ce que le modèle apprend et la manière dont il l'apprend, sans intervention humaine constante.
Selon l'entreprise, cet outil vise à réduire le temps nécessaire pour passer d'un concept initial à un modèle personnalisé et déployé, en ramenant potentiellement les cycles de développement de plusieurs semaines à quelques heures. Il est également présenté comme un mécanisme qui élargit l'accès à la personnalisation des modèles au-delà des spécialistes du machine learning, permettant ainsi aux utilisateurs sans expertise technique approfondie d'influencer non seulement les invites, mais aussi le comportement sous-jacent des systèmes entraînés. Cette approche est particulièrement pertinente pour les organisations qui cherchent à optimiser leurs modèles pour un langage spécifique à un domaine, des sorties structurées ou des contraintes d'efficacité telles que la latence et le coût, tout en exploitant plus efficacement leurs jeux de données propriétaires au sein des systèmes d'IA.
Les évaluations internes citées par l'entreprise indiquent qu'AutoScientist surpasse les modèles de référence sur des ensembles de données de tailles variées (de 5 000 à 100 000 exemples) et avec plusieurs architectures de modèles disponibles pour un paramétrage précis. Les résultats publiés font état de gains constants quel que soit le domaine, les performances ayant été mesurées à l'aide d'évaluations internes adaptées à des applications verticales spécifiques.
D'autres comparaisons présentées dans le cadre de l'évaluation indiquent qu'AutoScientist a obtenu des performances moyennes supérieures à celles des configurations conçues par des chercheurs, y compris des ingénieurs en IA expérimentés. Lors de ces tests, les experts ont sélectionné les configurations d'entraînement en fonction de leur connaissance de l'architecture du modèle, des caractéristiques de l'ensemble de données et des exigences du domaine, tandis qu'AutoScientist a reçu les mêmes données d'entrée, ainsi que la possibilité d'affiner itérativement ses propres configurations à l'aide des données d'exécutions précédentes. Dans ces conditions, les résultats globaux sont passés de 48 % à 64 % avec l'utilisation du système automatisé, soit une amélioration moyenne des performances d'environ 35 % sur l'ensemble des expériences.
AutoScientist démontre sa stabilité interdomaines tout en visant à démocratiser le réglage fin des modèles de pointe
Des tests comparatifs supplémentaires menés dans de multiples domaines d'application indiquent que le système est peu sensible à des domaines spécifiques, des gains ayant été observés dans huit secteurs différents. L'entreprise souligne que cette constance est remarquable, car de nombreuses méthodes d'optimisation classiques ont tendance à être moins performantes en dehors de contextes restreints ou très spécifiques, tandis qu'AutoScientist offrirait des améliorations plus stables sur des tâches et des ensembles de données variés.
Ce système s'inscrit dans un effort plus vaste visant à automatiser les processus de développement de modèles, notamment dans les domaines impliquant le raisonnement à long terme, qui demeure un défi constant pour la fiabilité de l'IA. Les développeurs indiquent qu'AutoScientist constitue une première étape vers la réduction du besoin d'intervention manuelle dans les chaînes de traitement des modèles, les recherches futures se concentrant sur la mise en place de formes d'adaptation plus immédiates, susceptibles de s'affranchir des cycles d'entraînement traditionnels.
Outre ses objectifs techniques, cette mise à disposition vise également à élargir l'accès à la personnalisation des modèles, permettant ainsi à un plus grand nombre d'utilisateurs de concevoir des systèmes d'IA adaptés à des applications spécifiques. L'outil est disponible gratuitement pendant une période initiale de 30 jours. L'objectif plus large, tel qu'il est présenté, est de réduire les obstacles au développement de modèles d'IA et d'étendre la capacité à créer des systèmes sur mesure au-delà d'un petit groupe de chercheurs spécialisés travaillant dans de grands laboratoires.
Un argument contextuel clé mis en avant dans l'annonce est que seul un petit nombre de personnes dans le monde possèdent l'expertise nécessaire pour entraîner et optimiser correctement les modèles d'IA de pointe, la majeure partie de ce savoir étant concentrée dans un nombre restreint de grands laboratoires de recherche. Il est suggéré que si un système tel qu'AutoScientist parvient à automatiser certains aspects de cette expertise, la création de modèles personnalisés pour chaque organisation et pour des cas d'usage spécifiques pourrait devenir plus accessible et réalisable.
Clause de non-responsabilité
En ligne avec la Lignes directrices du projet de confiance, veuillez noter que les informations fournies sur cette page ne sont pas destinées à être et ne doivent pas être interprétées comme des conseils juridiques, fiscaux, d'investissement, financiers ou toute autre forme de conseil. Il est important d’investir uniquement ce que vous pouvez vous permettre de perdre et de demander des conseils financiers indépendants en cas de doute. Pour plus d'informations, nous vous suggérons de vous référer aux conditions générales ainsi qu'aux pages d'aide et de support mises à disposition par l'émetteur ou l'annonceur. MetaversePost s'engage à fournir des rapports précis et impartiaux, mais les conditions du marché sont susceptibles de changer sans préavis.
A propos de l'auteur
Alisa, journaliste dévouée au MPost, se spécialise dans les cryptomonnaies, l'IA, les investissements et le vaste domaine de Web3. Avec un œil attentif sur les tendances et technologies émergentes, elle propose une couverture complète pour informer et impliquer les lecteurs dans le paysage en constante évolution de la finance numérique.
Plus d'articles
Alisa, journaliste dévouée au MPost, se spécialise dans les cryptomonnaies, l'IA, les investissements et le vaste domaine de Web3. Avec un œil attentif sur les tendances et technologies émergentes, elle propose une couverture complète pour informer et impliquer les lecteurs dans le paysage en constante évolution de la finance numérique.
