„Adaption“ „AutoScientist“ automatizuoja modelio tikslinimą naudodamas uždaro ciklo mokymą, kuris pranoksta žmogaus sukurtas konfigūracijas.
Trumpai
„Adaption“ pristato „AutoScientist“ – sistemą, kuri automatiškai pritaiko dirbtinio intelekto modelius, optimizuodama tiek mokymo duomenis, tiek mokymosi procesus konkrečioms užduotims.
Prisitaikymas„“, dirbtinio intelekto startuolis, kurį įkūrė buvusi „Cohere“ tyrimų viceprezidentė Sara Hooker, pristatė naują sistemą pavadinimu „AutoScientist“, skirtą automatizuoti dirbtinio intelekto modelių pritaikymo konkrečioms užduotims procesą, kartu optimizuojant mokymo duomenis ir mokymosi konfigūracijas. Sistema pozicionuojama kaip žingsnis link dirbtinio intelekto tyrimų ir plėtros darbo eigų automatizavimo, siekiant sumažinti rankinį darbą, kurio paprastai reikia modeliui tiksliai derinti ir eksperimentuoti.
„AutoScientist“ apibūdinama kaip kompleksinė sistema, kuri vienu metu optimizuoja duomenų rinkinius ir mokymo receptus, iteruojanti uždarame cikle, kuriame nuolat koreguojami tiek duomenų atrankos, tiek modelio mokymo parametrai. Procesas turėtų tęstis tol, kol našumas stabilizuosis ties tam tikru lygiu. defitikslas, leidžiantis sistemai patikslinti tiek tai, iš ko modelis mokosi, tiek kaip jis tai mokosi be nuolatinio žmogaus įsikišimo.
Pasak bendrovės, šis įrankis skirtas sutrumpinti laiką, reikalingą pereiti nuo pradinės koncepcijos prie įdiegto, pritaikyto modelio, o tai gali sutrumpinti kūrimo ciklus nuo savaičių iki valandų. Jis taip pat pristatomas kaip mechanizmas, kuris praplečia prieigą prie modelio pritaikymo ne tik mašininio mokymosi specialistams, suteikdamas vartotojams, neturintiems gilių techninių žinių, galimybę daryti įtaką ne tik raginimams, bet ir apmokytų sistemų elgesiui. Šis metodas pateikiamas kaip ypač aktualus organizacijoms, siekiančioms tiksliai suderinti modelius su konkrečios srities kalba, struktūrizuotais rezultatais arba efektyvumo apribojimais, tokiais kaip delsa ir kaina, kartu efektyviau panaudojant patentuotus duomenų rinkinius dirbtinio intelekto sistemose.
Įmonės nurodyti vidiniai vertinimai rodo, kad „AutoScientist“ demonstruoja geresnį našumą, palyginti su baziniais modeliais, esant įvairaus dydžio duomenų rinkiniams nuo 5 000 iki 100 000 pavyzdžių, taip pat ir kelioms modelių architektūroms, kurias galima tiksliai derinti. Pateikti rezultatai rodo nuoseklų pagerėjimą, nepriklausomai nuo srities, o našumas matuojamas naudojant vidinius vertinimus, pritaikytus konkrečioms vertikalioms programoms.
Tolesni vertinimo sistemoje pateikti palyginimai rodo, kad „AutoScientist“ pasiekė didesnį vidutinį našumą nei konfigūracijos, kurias sukūrė žmonės tyrėjai, įskaitant patyrusius dirbtinio intelekto inžinerijos darbuotojus. Šiuose bandymuose žmonės ekspertai parinko mokymo konfigūracijas, remdamiesi savo žiniomis apie modelio architektūrą, duomenų rinkinių charakteristikas ir srities reikalavimus, o „AutoScientist“ buvo pateikti tie patys įvesties duomenys kartu su galimybe iteratyviai patikslinti savo konfigūracijas naudojant istorinius paleidimo duomenis. Tokiomis sąlygomis, naudojant automatizuotą sistemą, bendri rezultatai pagerėjo nuo 48 iki 64 procentų, o vidutinis našumo padidėjimas per eksperimentus siekė maždaug 35 procentus.
„AutoScientist“ demonstruoja stabilumą tarp sričių, siekdama demokratizuoti pasienio modelių tikslinimą
Papildoma lyginamoji analizė keliose taikymo srityse rodo, kad sistema nėra labai jautri konkrečioms sritims, o pažanga pastebėta aštuoniose skirtingose vertikalėse. Bendrovė praneša, kad šis nuoseklumas yra pastebimas, atsižvelgiant į tai, kad daugelis tradicinių tikslinimo metodų paprastai veikia prasčiau nei siaurose ar labai kuruojamose aplinkose, o „AutoScientist“, kaip pranešama, užtikrina stabilesnius patobulinimus įvairiose užduotyse ir duomenų rinkiniuose.
Sistema yra platesnių pastangų automatizuoti modelių kūrimo procesus, ypač srityse, susijusiose su ilgalaikiu mąstymu, kuris išlieka nuolatiniu iššūkiu dirbtinio intelekto patikimumo srityje, dalis. Kūrėjai teigia, kad „AutoScientist“ yra ankstyvas žingsnis siekiant sumažinti rankinio įsikišimo poreikį modelių mokymo procesuose, o būsimos tyrimų kryptys bus sutelktos į tai, kad būtų galima taikyti greitesnes adaptacijos formas, kurioms gali nereikėti tradicinių mokymo ciklų.
Be techninių tikslų, šis leidimas taip pat skirtas išplėsti prieigą prie modelių pritaikymo, suteikiant platesniam vartotojų ratui galimybę pritaikyti dirbtinio intelekto sistemas konkrečioms reikmėms. Įrankis iš pradžių 30 dienų bus prieinamas nemokamai. Platesnis tikslas, remiantis pateiktu aprašymu, yra sumažinti kliūtis dirbtinio intelekto modelių kūrimui ir išplėsti galimybes kurti pritaikytas sistemas ne tik nedidelei specializuotų tyrėjų grupei, susitelkusiai į didžiąsias laboratorijas.
Svarbus kontekstinis argumentas, pabrėžiamas pranešime, yra tas, kad tik nedidelė dalis žmonių visame pasaulyje turi reikiamų žinių, kad galėtų tinkamai apmokyti ir tiksliai suderinti dirbtinio intelekto modelius, o didžioji dalis šių žinių yra sutelkta ribotame skaičiuje didelių tyrimų laboratorijų. Teigiama, kad jei tokia sistema kaip „AutoScientist“ galėtų sėkmingai automatizuoti kai kuriuos šios patirties aspektus, individualių modelių kūrimo procesas atskiroms organizacijoms ir konkretiems naudojimo atvejams galėtų tapti prieinamesnis ir praktiškai įgyvendinamas.
Atsakomybės neigimas
Remdamasi tuo, Pasitikėjimo projekto gairės, atkreipkite dėmesį, kad šiame puslapyje pateikta informacija nėra skirta ir neturėtų būti aiškinama kaip teisinė, mokesčių, investicinė, finansinė ar bet kokia kita konsultacija. Svarbu investuoti tik tai, ką galite sau leisti prarasti, ir, jei turite kokių nors abejonių, kreiptis į nepriklausomą finansinę konsultaciją. Norėdami gauti daugiau informacijos, siūlome peržiūrėti taisykles ir nuostatas bei pagalbos ir palaikymo puslapius, kuriuos pateikia išdavėjas arba reklamuotojas. MetaversePost yra įsipareigojusi teikti tikslias, nešališkas ataskaitas, tačiau rinkos sąlygos gali keistis be įspėjimo.
Apie autorių
Alisa, atsidavusi žurnalistė MPost, specializuojasi kriptovaliutų, dirbtinio intelekto, investicijų ir plačios srities srityse Web3. Akylai žvelgdama į naujas tendencijas ir technologijas, ji pateikia išsamią informaciją, kad informuotų ir įtrauktų skaitytojus į nuolat besikeičiančią skaitmeninių finansų aplinką.
Daugiau straipsnių
Alisa, atsidavusi žurnalistė MPost, specializuojasi kriptovaliutų, dirbtinio intelekto, investicijų ir plačios srities srityse Web3. Akylai žvelgdama į naujas tendencijas ir technologijas, ji pateikia išsamią informaciją, kad informuotų ir įtrauktų skaitytojus į nuolat besikeičiančią skaitmeninių finansų aplinką.
