Az Adaption AutoScientistje zárt hurkú betanítással automatizálja a modellek finomhangolását, felülmúlva az ember által tervezett konfigurációkat
Röviden
Az Adaption bemutatja az AutoScientist nevű rendszert, amely automatikusan testreszabja a mesterséges intelligencia modelleket azáltal, hogy optimalizálja a betanítási adatokat és a tanulási folyamatokat az adott feladatokhoz.
AlkalmazkodásA Sara Hooker, a Cohere korábbi kutatási alelnöke által alapított mesterséges intelligencia startup bemutatta az AutoScientist nevű új rendszert, amelynek célja, hogy automatizálja a mesterséges intelligencia modellek adott feladatokhoz való igazításának folyamatát azáltal, hogy együttesen optimalizálja a betanítási adatokat és a tanulási konfigurációkat. A rendszer a mesterséges intelligencia kutatási és fejlesztési munkafolyamatainak automatizálása felé tett lépésként van pozícionálva, azzal a céllal, hogy csökkentse a modellek finomhangolásához és kísérletezéséhez jellemzően szükséges manuális erőfeszítést.
Az AutoScientist egy teljes körű keretrendszerként van leírva, amely egyidejűleg optimalizálja az adathalmazokat és a betanítási recepteket, egy zárt cikluson keresztül iterálva, amelyben mind az adatkiválasztási, mind a modell betanítási paraméterei folyamatosan módosulnak. A folyamat célja, hogy addig folytatódjon, amíg a teljesítmény egy körül stabilizálódik. deficél, ami lehetővé teszi a rendszer számára, hogy folyamatos emberi beavatkozás nélkül finomítsa mind azt, hogy a modell miből tanul, mind azt, hogy hogyan tanulja meg.
A vállalat szerint az eszköz célja, hogy csökkentse a kezdeti koncepciótól a telepített, testreszabott modellig tartó átmenethez szükséges időt, potenciálisan hetekről órákra sűrítve a fejlesztési ciklusokat. Emellett olyan mechanizmusként is bemutatják, amely a gépi tanulási szakembereken túl is szélesíti a modellek testreszabásához való hozzáférést, lehetővé téve a mélyreható műszaki ismeretekkel nem rendelkező felhasználók számára, hogy ne csak a promptokat, hanem a betanított rendszerek mögöttes viselkedését is befolyásolják. A megközelítés különösen releváns azoknak a szervezeteknek, amelyek a modelleket a szakterület-specifikus nyelv, a strukturált kimenetek vagy a hatékonysági korlátok, például a késleltetés és a költségek finomhangolására törekszenek, miközben hatékonyabban kihasználják a saját fejlesztésű adatkészleteket a mesterséges intelligencia rendszereken belül.
A vállalat által hivatkozott belső értékelések azt sugallják, hogy az AutoScientist jobb teljesítményt mutat az alapmodellekhez képest 5,000 és 100 000 példa közötti adatkészletméret-tartományban, valamint több, finomhangolható modellarchitektúra esetén. A jelentett eredmények a tartománytól függetlenül következetes javulást mutatnak, a teljesítményt pedig az adott vertikális alkalmazásokhoz igazított belső értékelésekkel mérték.
Az értékelési keretrendszerben bemutatott további összehasonlítások azt mutatják, hogy az AutoScientist magasabb átlagos teljesítményt ért el, mint az emberi kutatók, köztük tapasztalt MI-mérnökök által tervezett konfigurációk. Ezekben a tesztekben az emberi szakértők a modellarchitektúra, az adatkészlet jellemzői és a tartományi követelmények ismerete alapján választották ki a betanítási beállításokat, míg az AutoScientist ugyanazokat a bemeneteket kapta, valamint képes volt iteratívan finomítani saját konfigurációit a korábbi futtatási adatok felhasználásával. Ilyen körülmények között az összesített eredmények állítólag 48 százalékról 64 százalékra javultak az automatizált rendszer használatakor, a kísérletek során átlagosan körülbelül 35 százalékos teljesítménynövekedéssel.
Az AutoScientist tartományokon átívelő stabilitást mutat, miközben a határmodell finomhangolásának demokratizálására törekszik
Több alkalmazási területen végzett további benchmarking azt sugallja, hogy a rendszer nem erősen érzékeny bizonyos tartományokra, nyolc különböző vertikális területen figyeltek meg javulást. A vállalat jelentése szerint ez az állandóság figyelemre méltó, tekintve, hogy sok hagyományos finomhangolási megközelítés általában gyengébben teljesít szűk vagy szigorúan válogatott környezeteken kívül, míg az AutoScientist állítólag stabilabb javulást nyújt a különféle feladatok és adatkészletek esetében.
A rendszer a modellfejlesztési folyamatok automatizálására irányuló szélesebb körű erőfeszítés részeként pozícionálódik, különösen a hosszú távú gondolkodást igénylő területeken, ami továbbra is állandó kihívást jelent a mesterséges intelligencia megbízhatósága terén. A fejlesztők szerint az AutoScientist egy korai lépést jelent a modell betanítási folyamataiban a manuális beavatkozás szükségességének csökkentése felé, a jövőbeli kutatási irányok pedig az adaptáció azonnali formáinak lehetővé tételére összpontosítanak, amelyek nem feltétlenül igénylik a hagyományos betanítási ciklusokat.
A technikai célkitűzések mellett a kiadás célja a modellek testreszabásához való hozzáférés bővítése is, lehetővé téve a felhasználók szélesebb köre számára, hogy a mesterséges intelligencia rendszereket adott alkalmazásokhoz alakítsák. Az eszköz kezdetben 30 napos időszakra ingyenesen elérhető. A megadott keretrendszer szerint a tágabb cél az, hogy csökkentse a mesterséges intelligencia modellfejlesztés akadályait, és kiterjessze a testreszabott rendszerek létrehozásának lehetőségét a nagyobb laboratóriumokban koncentrálódó szakosodott kutatók kis csoportján túl.
A bejelentésben kiemelt egyik fő kontextuális érv, hogy világszerte csak kevesen rendelkeznek a határterületi MI-modellek megfelelő betanításához és finomhangolásához szükséges szakértelemmel, és ennek a tudásnak a nagy része néhány nagyobb kutatólaboratóriumban koncentrálódik. Felmerült, hogy ha egy olyan rendszer, mint az AutoScientist, képes sikeresen automatizálni e szakértelem egyes aspektusait, akkor az egyes szervezetek és konkrét felhasználási esetek számára testreszabott modellek építésének folyamata elérhetőbbé és gyakorlatilag megvalósíthatóvá válhat.
Jogi nyilatkozat
Összhangban a A Trust Project irányelvei, kérjük, vegye figyelembe, hogy az ezen az oldalon közölt információk nem minősülnek jogi, adózási, befektetési, pénzügyi vagy bármilyen más formájú tanácsnak, és nem is értelmezhetők. Fontos, hogy csak annyit fektessen be, amennyit megengedhet magának, hogy elveszítsen, és kérjen független pénzügyi tanácsot, ha kétségei vannak. További információkért javasoljuk, hogy tekintse meg a szerződési feltételeket, valamint a kibocsátó vagy hirdető által biztosított súgó- és támogatási oldalakat. MetaversePost elkötelezett a pontos, elfogulatlan jelentéstétel mellett, de a piaci feltételek előzetes értesítés nélkül változhatnak.
A szerzőről
Alisa, a The MPost, kriptovalutákra, mesterséges intelligenciára, befektetésekre és a világ kiterjedt területére specializálódott Web3. Élénk szemmel figyeli a feltörekvő trendeket és technológiákat, ezért átfogó tájékoztatást nyújt, hogy tájékoztassa és bevonja olvasóit a digitális pénzügyek folyamatosan fejlődő világába.
További cikkek
Alisa, a The MPost, kriptovalutákra, mesterséges intelligenciára, befektetésekre és a világ kiterjedt területére specializálódott Web3. Élénk szemmel figyeli a feltörekvő trendeket és technológiákat, ezért átfogó tájékoztatást nyújt, hogy tájékoztassa és bevonja olvasóit a digitális pénzügyek folyamatosan fejlődő világába.
