AutoScientist firmy Adaption automatyzuje dostrajanie modelu dzięki szkoleniu w pętli zamkniętej, przewyższając konfiguracje zaprojektowane przez człowieka
W skrócie
Adaption przedstawia AutoScientist, system, który automatycznie dostosowuje modele sztucznej inteligencji, optymalizując zarówno dane szkoleniowe, jak i procesy uczenia się pod kątem określonych zadań.
Adaptacja, startup zajmujący się sztuczną inteligencją, założony przez byłą wiceprezes ds. badań w Cohere, Sarę Hooker, wprowadził nowy system o nazwie AutoScientist, zaprojektowany w celu automatyzacji procesu dostosowywania modeli sztucznej inteligencji do konkretnych zadań poprzez wspólną optymalizację danych treningowych i konfiguracji uczenia. System ten jest pozycjonowany jako krok w kierunku automatyzacji procesów badawczo-rozwojowych w dziedzinie sztucznej inteligencji, mając na celu zmniejszenie ręcznego nakładu pracy, zazwyczaj wymaganego przy dostrajaniu modeli i eksperymentowaniu.
AutoScientist jest opisywany jako kompleksowe środowisko, które jednocześnie optymalizuje zbiory danych i receptury treningowe, iterując w zamkniętej pętli, w której zarówno selekcja danych, jak i parametry treningowe modelu są stale dostosowywane. Proces ma być kontynuowany do momentu ustabilizowania się wydajności na poziomie około deficel, który w praktyce pozwala systemowi udoskonalać zarówno to, czego model się uczy, jak i sposób, w jaki się tego uczy, bez konieczności ciągłej ingerencji człowieka.
Według firmy, narzędzie ma skrócić czas potrzebny na przejście od początkowej koncepcji do wdrożonego, dostosowanego modelu, potencjalnie skracając cykle rozwoju z tygodni do godzin. Jest ono również prezentowane jako mechanizm, który poszerza dostęp do personalizacji modeli poza specjalistów od uczenia maszynowego, umożliwiając użytkownikom bez dogłębnej wiedzy technicznej wpływanie nie tylko na komunikaty, ale także na podstawowe zachowanie wytrenowanych systemów. Podejście to jest szczególnie istotne dla organizacji, które chcą dostroić modele pod kątem języka specyficznego dla danej dziedziny, ustrukturyzowanych wyników lub ograniczeń wydajnościowych, takich jak opóźnienia i koszty, jednocześnie efektywniej wykorzystując zastrzeżone zbiory danych w systemach sztucznej inteligencji.
Wewnętrzne oceny, na które powołuje się firma, sugerują, że AutoScientist charakteryzuje się lepszą wydajnością w porównaniu z modelami bazowymi w zakresie rozmiarów zbiorów danych od 5,000 do 100 000 przykładów, a także w przypadku wielu architektur modeli dostępnych do dostrajania. Zgłoszone wyniki wskazują na stały wzrost niezależnie od dziedziny, a wydajność mierzono za pomocą wewnętrznych ocen dostosowanych do konkretnych zastosowań branżowych.
Dalsze porównania przedstawione w ramach oceny wskazują, że AutoScientist osiągnął wyższą średnią wydajność niż konfiguracje zaprojektowane przez badaczy, w tym doświadczonych inżynierów AI. W tych testach eksperci wybierali konfiguracje treningowe na podstawie swojej wiedzy na temat architektury modelu, charakterystyki zbioru danych i wymagań domeny, podczas gdy AutoScientist otrzymał te same dane wejściowe, a także możliwość iteracyjnego udoskonalania własnych konfiguracji na podstawie historycznych danych uruchomieniowych. W tych warunkach łączne wyniki poprawiły się z 48% do 64% w przypadku korzystania z systemu zautomatyzowanego, a średni wzrost wydajności w eksperymentach wyniósł około 35%.
AutoScientist wykazuje stabilność międzydomenową, dążąc do demokratyzacji dostrajania modeli granicznych
Dodatkowe testy porównawcze w wielu obszarach zastosowań sugerują, że system nie jest szczególnie wrażliwy na konkretne domeny, a korzyści zaobserwowano w ośmiu różnych branżach. Firma informuje, że ta spójność jest godna uwagi, biorąc pod uwagę, że wiele tradycyjnych metod precyzyjnego dostrajania ma tendencję do osiągania gorszych wyników poza wąskimi lub wysoce wyselekcjonowanymi ustawieniami, podczas gdy AutoScientist podobno zapewnia bardziej stabilne ulepszenia w zróżnicowanych zadaniach i zestawach danych.
System jest pozycjonowany jako element szerszego działania mającego na celu automatyzację procesów rozwoju modeli, szczególnie w obszarach wymagających wnioskowania długoterminowego, które pozostaje stałym wyzwaniem dla niezawodności sztucznej inteligencji. Twórcy wskazują, że AutoScientist stanowi wczesny krok w kierunku ograniczenia konieczności ręcznej interwencji w procesach uczenia modeli, a przyszłe kierunki badań koncentrują się na umożliwieniu bardziej bezpośrednich form adaptacji, które mogą nie wymagać tradycyjnych cykli uczenia.
Oprócz celów technicznych, wydanie jest również przedstawiane jako próba poszerzenia dostępu do personalizacji modeli, umożliwiając szerszemu gronu użytkowników kształtowanie systemów AI pod kątem konkretnych zastosowań. Narzędzie jest udostępniane bezpłatnie przez początkowy okres 30 dni. Zgodnie z przedstawionym opisem, szerszym celem jest zmniejszenie barier w rozwoju modeli AI i rozszerzenie możliwości tworzenia systemów dostosowanych do potrzeb poza wąską grupę wyspecjalizowanych badaczy skupionych w dużych laboratoriach.
Kluczowym argumentem kontekstowym podkreślonym w ogłoszeniu jest fakt, że tylko niewielka liczba osób na świecie posiada wiedzę specjalistyczną wymaganą do prawidłowego szkolenia i dostrajania pionierskich modeli sztucznej inteligencji, a większość tej wiedzy jest skoncentrowana w ograniczonej liczbie dużych laboratoriów badawczych. Sugeruje się, że jeśli system taki jak AutoScientist będzie w stanie skutecznie zautomatyzować aspekty tej wiedzy, proces budowania modeli dostosowanych do potrzeb poszczególnych organizacji i konkretnych przypadków użycia może stać się bardziej dostępny i praktycznie osiągalny.
Zastrzeżenie
Zgodnie z Zaufaj wytycznym projektu, należy pamiętać, że informacje zawarte na tej stronie nie mają na celu i nie powinny być interpretowane jako porady prawne, podatkowe, inwestycyjne, finansowe lub jakiekolwiek inne formy porad. Ważne jest, aby inwestować tylko tyle, na utratę czego możesz sobie pozwolić, a w przypadku jakichkolwiek wątpliwości zasięgnąć niezależnej porady finansowej. Aby uzyskać więcej informacji, sugerujemy zapoznać się z warunkami oraz stronami pomocy i wsparcia udostępnianymi przez wydawcę lub reklamodawcę. MetaversePost zobowiązuje się do sporządzania dokładnych i bezstronnych raportów, jednakże warunki rynkowe mogą ulec zmianie bez powiadomienia.
O autorze
Alisa, oddana dziennikarka w MPost, specjalizuje się w kryptowalutach, sztucznej inteligencji, inwestycjach i rozległym obszarze Web3. Ze szczególnym uwzględnieniem pojawiających się trendów i technologii zapewnia wszechstronne informacje, aby informować czytelników i angażować ich w stale zmieniający się krajobraz finansów cyfrowych.
Więcej artykułów
Alisa, oddana dziennikarka w MPost, specjalizuje się w kryptowalutach, sztucznej inteligencji, inwestycjach i rozległym obszarze Web3. Ze szczególnym uwzględnieniem pojawiających się trendów i technologii zapewnia wszechstronne informacje, aby informować czytelników i angażować ich w stale zmieniający się krajobraz finansów cyfrowych.
