O AutoScientist da Adaption automatiza o ajuste fino de modelos com treinamento em circuito fechado, superando configurações projetadas por humanos.
Em Breve
A Adaption apresenta o AutoScientist, um sistema que personaliza automaticamente modelos de IA, otimizando tanto os dados de treinamento quanto os processos de aprendizado para tarefas específicas.
AdaptaçãoA Cohere, uma startup de IA fundada por Sara Hooker, ex-vice-presidente de pesquisa da Cohere, lançou um novo sistema chamado AutoScientist, projetado para automatizar o processo de adaptação de modelos de IA a tarefas específicas, otimizando conjuntamente os dados de treinamento e as configurações de aprendizado. O sistema se posiciona como um passo rumo à automação dos fluxos de trabalho de pesquisa e desenvolvimento em IA, com o objetivo de reduzir o esforço manual normalmente necessário para o ajuste fino e a experimentação de modelos.
O AutoScientist é descrito como uma estrutura de ponta a ponta que otimiza simultaneamente conjuntos de dados e receitas de treinamento, iterando por meio de um ciclo fechado no qual tanto a seleção de dados quanto os parâmetros de treinamento do modelo são ajustados continuamente. O processo deve continuar até que o desempenho se estabilize em torno de um valor ideal. deficom o objetivo de refinar, permitindo efetivamente que o sistema aprimore tanto o que o modelo aprende quanto a forma como aprende, sem intervenção humana constante.
Segundo a empresa, a ferramenta visa reduzir o tempo necessário para passar de um conceito inicial a um modelo personalizado e implementado, potencialmente comprimindo os ciclos de desenvolvimento de semanas para horas. Ela também é apresentada como um mecanismo que amplia o acesso à personalização de modelos para além de especialistas em aprendizado de máquina, permitindo que usuários sem conhecimento técnico aprofundado influenciem não apenas os comandos, mas também o comportamento subjacente dos sistemas treinados. A abordagem é considerada particularmente relevante para organizações que buscam ajustar modelos para linguagem específica do domínio, saídas estruturadas ou restrições de eficiência, como latência e custo, enquanto aproveitam conjuntos de dados proprietários de forma mais eficaz em sistemas de IA.
As avaliações internas mencionadas pela empresa sugerem que o AutoScientist demonstra desempenho superior em comparação com os modelos de referência em uma variedade de tamanhos de conjuntos de dados, entre 5,000 e 100,000 exemplos, bem como em diversas arquiteturas de modelo disponíveis para ajuste fino. Os resultados relatados indicam ganhos consistentes independentemente do domínio, com o desempenho medido por meio de avaliações internas adaptadas a aplicações verticais específicas.
Outras comparações apresentadas na estrutura de avaliação indicam que o AutoScientist alcançou um desempenho médio superior ao das configurações projetadas por pesquisadores humanos, incluindo engenheiros de IA experientes. Nesses testes, especialistas humanos selecionaram as configurações de treinamento com base em seu conhecimento da arquitetura do modelo, das características do conjunto de dados e dos requisitos do domínio, enquanto o AutoScientist recebeu as mesmas entradas, além da capacidade de refinar iterativamente suas próprias configurações usando dados históricos de execução. Nessas condições, os resultados agregados melhoraram de 48% para 64% com o uso do sistema automatizado, com um aumento médio de desempenho de aproximadamente 35% em todos os experimentos.
AutoScientist demonstra estabilidade entre domínios, ao mesmo tempo que busca democratizar o ajuste fino de modelos de fronteira.
Análises comparativas adicionais em diversas áreas de aplicação sugerem que o sistema não é fortemente sensível a domínios específicos, com ganhos observados em oito verticais diferentes. A empresa relata que essa consistência é notável, visto que muitas abordagens tradicionais de otimização tendem a apresentar desempenho inferior fora de contextos restritos ou altamente selecionados, enquanto o AutoScientist, segundo relatos, proporciona melhorias mais estáveis em diversas tarefas e conjuntos de dados.
O sistema se posiciona como parte de um esforço mais amplo para automatizar os processos de desenvolvimento de modelos, particularmente em áreas que envolvem raciocínio de longo prazo, o que continua sendo um desafio persistente na confiabilidade da IA. Os desenvolvedores indicam que o AutoScientist representa um primeiro passo para reduzir a necessidade de intervenção manual nos fluxos de treinamento de modelos, com futuras linhas de pesquisa focadas em viabilizar formas mais imediatas de adaptação que podem não exigir ciclos de treinamento tradicionais.
Além dos objetivos técnicos, o lançamento também é apresentado como um esforço para ampliar o acesso à personalização de modelos, permitindo que uma gama maior de usuários molde sistemas de IA para aplicações específicas. A ferramenta está sendo disponibilizada gratuitamente por um período inicial de 30 dias. O objetivo mais amplo, segundo a apresentação, é reduzir as barreiras ao desenvolvimento de modelos de IA e expandir a capacidade de criar sistemas personalizados para além de um pequeno grupo de pesquisadores especializados concentrados em grandes laboratórios.
Um argumento contextual fundamental destacado no anúncio é que apenas um pequeno número de pessoas em todo o mundo possui a expertise necessária para treinar e ajustar adequadamente modelos de IA de ponta, com a maior parte desse conhecimento concentrada em um número limitado de grandes laboratórios de pesquisa. Sugere-se que, se um sistema como o AutoScientist for capaz de automatizar com sucesso aspectos dessa expertise, o processo de construção de modelos personalizados para organizações individuais e casos de uso específicos poderá se tornar mais acessível e viável na prática.
Aviso Legal
Em linha com a Diretrizes do Projeto Trust, observe que as informações fornecidas nesta página não se destinam e não devem ser interpretadas como aconselhamento jurídico, tributário, de investimento, financeiro ou qualquer outra forma. É importante investir apenas o que você pode perder e procurar aconselhamento financeiro independente se tiver alguma dúvida. Para mais informações, sugerimos consultar os termos e condições, bem como as páginas de ajuda e suporte fornecidas pelo emissor ou anunciante. MetaversePost está comprometida com relatórios precisos e imparciais, mas as condições de mercado estão sujeitas a alterações sem aviso prévio.
Sobre o autor
Alisa, jornalista dedicada do MPost, é especializada em criptomoedas, IA, investimentos e no vasto campo de Web3. Com um olhar atento às tendências e tecnologias emergentes, ela oferece uma cobertura abrangente para informar e envolver os leitores no cenário em constante evolução das finanças digitais.
Mais artigos
Alisa, jornalista dedicada do MPost, é especializada em criptomoedas, IA, investimentos e no vasto campo de Web3. Com um olhar atento às tendências e tecnologias emergentes, ela oferece uma cobertura abrangente para informar e envolver os leitores no cenário em constante evolução das finanças digitais.
