AutoScientist de la Adaption automatizează reglajul fin al modelelor cu antrenament în buclă închisă, depășind configurațiile proiectate de oameni
Pe scurt
Adaption lansează AutoScientist, un sistem care personalizează automat modelele de inteligență artificială prin optimizarea atât a datelor de antrenament, cât și a proceselor de învățare pentru sarcini specifice.
adaptarea, un startup de inteligență artificială fondat de fosta vicepreședinte de cercetare a Cohere, Sara Hooker, a introdus un nou sistem numit AutoScientist, conceput pentru a automatiza procesul de adaptare a modelelor de inteligență artificială la sarcini specifice prin optimizarea în comun atât a datelor de antrenament, cât și a configurațiilor de învățare. Sistemul este poziționat ca un pas către automatizarea fluxurilor de lucru pentru cercetare și dezvoltare în domeniul inteligenței artificiale, cu scopul de a reduce efortul manual necesar de obicei în reglarea fină și experimentarea modelelor.
AutoScientist este descris ca un framework end-to-end care optimizează simultan seturile de date și rețetele de antrenament, iterând printr-o buclă închisă în care atât parametrii de selecție a datelor, cât și cei de antrenament ai modelului sunt ajustați continuu. Procesul este destinat să continue până când performanța se stabilizează în jurul unui defiobiectiv nou, permițând efectiv sistemului să rafineze atât ceea ce învață modelul, cât și modul în care învață acest lucru, fără intervenție umană constantă.
Potrivit companiei, instrumentul este conceput pentru a reduce timpul necesar pentru a trece de la un concept inițial la un model implementat și personalizat, comprimând potențial ciclurile de dezvoltare de la săptămâni la ore. De asemenea, este prezentat ca un mecanism care lărgește accesul la personalizarea modelelor dincolo de specialiștii în învățare automată, permițând utilizatorilor fără expertiză tehnică aprofundată să influențeze nu numai solicitările, ci și comportamentul de bază al sistemelor antrenate. Abordarea este prezentată ca fiind deosebit de relevantă pentru organizațiile care doresc să ajusteze modelele pentru limbaj specific domeniului, rezultate structurate sau constrângeri de eficiență, cum ar fi latența și costul, utilizând în același timp seturi de date proprietare mai eficient în cadrul sistemelor de inteligență artificială.
Evaluările interne la care face referire compania sugerează că AutoScientist demonstrează performanțe îmbunătățite în comparație cu modelele de bază, pe o gamă de seturi de date cu dimensiuni cuprinse între 5,000 și 100,000 de exemple, precum și pe mai multe arhitecturi de model disponibile pentru reglare fină. Rezultatele raportate indică câștiguri constante, indiferent de domeniu, performanța fiind măsurată folosind evaluări interne adaptate aplicațiilor verticale specifice.
Comparațiile ulterioare prezentate în cadrul de evaluare indică faptul că AutoScientist a obținut performanțe medii mai mari decât configurațiile proiectate de cercetători umani, inclusiv de personal cu experiență în inginerie de inteligență artificială. În aceste teste, experții umani au selectat configurațiile de antrenament pe baza cunoștințelor lor despre arhitectura modelului, caracteristicile setului de date și cerințele domeniului, în timp ce AutoScientist a primit aceleași informații, împreună cu posibilitatea de a rafina iterativ propriile configurații folosind date istorice de rulare. În aceste condiții, rezultatele agregate s-au îmbunătățit, se pare, de la 48% la 64% atunci când s-a utilizat sistemul automatizat, cu o creștere medie a performanței de aproximativ 35% în cadrul experimentelor.
AutoScientist demonstrează stabilitate între domenii, urmărind în același timp democratizarea reglării fine a modelului Frontier
Analize comparative suplimentare în mai multe domenii de aplicație sugerează că sistemul nu este foarte sensibil la domenii specifice, cu câștiguri observate în opt verticale diferite. Compania raportează că această consecvență este remarcabilă, având în vedere că multe abordări tradiționale de reglare fină tind să aibă performanțe mai slabe în afara unor setări restrânse sau extrem de atent selectate, în timp ce AutoScientist oferă, se pare, îmbunătățiri mai stabile în diverse sarcini și seturi de date.
Sistemul este poziționat ca parte a unui efort mai amplu de automatizare a proceselor de dezvoltare a modelelor, în special în domeniile care implică raționament pe termen lung, care rămâne o provocare persistentă în fiabilitatea inteligenței artificiale. Dezvoltatorii indică faptul că AutoScientist reprezintă un pas timpuriu către reducerea nevoii de intervenție manuală în procesele de antrenament ale modelelor, direcțiile viitoare de cercetare concentrându-se pe permiterea unor forme mai imediate de adaptare care pot să nu necesite cicluri de antrenament tradiționale.
Pe lângă obiectivele sale tehnice, lansarea este concepută și ca un efort de a lărgi accesul la personalizarea modelelor, permițând unei game mai largi de utilizatori să adapteze sistemele de inteligență artificială pentru aplicații specifice. Instrumentul este disponibil gratuit pentru o perioadă inițială de 30 de zile. Scopul mai larg, conform cadrului furnizat, este de a reduce barierele în calea dezvoltării modelelor de inteligență artificială și de a extinde capacitatea de a crea sisteme personalizate dincolo de un grup mic de cercetători specializați concentrați în laboratoare majore.
Un argument contextual cheie evidențiat în anunț este acela că doar un număr mic de persoane la nivel global posedă expertiza necesară pentru a instrui și a regla în mod corespunzător modelele de inteligență artificială de frontieră, cea mai mare parte a acestor cunoștințe fiind concentrată într-un număr limitat de laboratoare majore de cercetare. Se sugerează că, dacă un sistem precum AutoScientist este capabil să automatizeze cu succes aspecte ale acestei expertize, procesul de construire a modelelor personalizate pentru organizații individuale și cazuri de utilizare specifice ar putea deveni mai accesibil și realizabil din punct de vedere practic.
Declinare a responsabilităţii
În conformitate cu Ghidurile proiectului Trust, vă rugăm să rețineți că informațiile furnizate pe această pagină nu sunt destinate și nu trebuie interpretate ca fiind consiliere juridică, fiscală, investițională, financiară sau orice altă formă de consiliere. Este important să investești doar ceea ce îți poți permite să pierzi și să cauți sfaturi financiare independente dacă ai îndoieli. Pentru informații suplimentare, vă sugerăm să consultați termenii și condițiile, precum și paginile de ajutor și asistență furnizate de emitent sau agent de publicitate. MetaversePost se angajează să raporteze corecte, imparțial, dar condițiile de piață pot fi modificate fără notificare.
Despre autor
Alisa, o jurnalistă dedicată la MPost, specializată în criptomonede, inteligență artificială, investiții și domeniul vast al Web3. Cu un ochi aprofundat pentru tendințele și tehnologiile emergente, ea oferă o acoperire cuprinzătoare pentru a informa și a implica cititorii în peisajul în continuă evoluție al finanțelor digitale.
Mai multe articole
Alisa, o jurnalistă dedicată la MPost, specializată în criptomonede, inteligență artificială, investiții și domeniul vast al Web3. Cu un ochi aprofundat pentru tendințele și tehnologiile emergente, ea oferă o acoperire cuprinzătoare pentru a informa și a implica cititorii în peisajul în continuă evoluție al finanțelor digitale.
