Adaptionov AutoScientist avtomatizira fino nastavitev modela z učenjem v zaprti zanki in prekaša konfiguracije, ki jih je zasnoval človek
Na kratko
Adaption predstavlja AutoScientist, sistem, ki samodejno prilagaja modele umetne inteligence z optimizacijo podatkov za učenje in učnih procesov za določene naloge.
Prilagoditev, zagonsko podjetje za umetno inteligenco, ki ga je ustanovila nekdanja podpredsednica za raziskave pri Cohereju, Sara Hooker, je predstavilo nov sistem, imenovan AutoScientist, ki je zasnovan za avtomatizacijo procesa prilagajanja modelov umetne inteligence specifičnim nalogam s skupno optimizacijo podatkov za učenje in konfiguracij učenja. Sistem je postavljen kot korak k avtomatizaciji delovnih procesov raziskav in razvoja umetne inteligence, s ciljem zmanjšanja ročnega dela, ki je običajno potreben pri natančnem uglaševanju in eksperimentiranju modelov.
AutoScientist je opisan kot celovit ogrodje, ki sočasno optimizira nabore podatkov in recepte za učenje, pri čemer se ponavlja skozi zaprto zanko, v kateri se nenehno prilagajajo tako izbor podatkov kot parametri učenja modela. Postopek naj bi se nadaljeval, dokler se zmogljivost ne stabilizira okoli ... deficilj, ki sistemu učinkovito omogoča, da izpopolni tako tisto, iz česar se model uči, kot tudi način, kako se to uči, brez stalnega človeškega posredovanja.
Po navedbah podjetja je orodje namenjeno skrajšanju časa, potrebnega za prehod od začetnega koncepta do uvedenega, prilagojenega modela, kar bi lahko skrajšalo razvojne cikle s tednov na ure. Predstavljeno je tudi kot mehanizem, ki širi dostop do prilagajanja modela preko strokovnjakov za strojno učenje, kar uporabnikom brez poglobljenega tehničnega znanja omogoča, da vplivajo ne le na pozive, temveč tudi na osnovno vedenje naučenih sistemov. Pristop je zasnovan kot še posebej pomemben za organizacije, ki želijo natančno prilagoditi modele za jezik, specifičen za domeno, strukturirane izhode ali omejitve učinkovitosti, kot sta zakasnitev in stroški, hkrati pa učinkoviteje izkoriščati lastniške nabore podatkov znotraj sistemov umetne inteligence.
Notranje ocene, na katere se sklicuje podjetje, kažejo, da AutoScientist kaže izboljšano zmogljivost v primerjavi z osnovnimi modeli v različnih velikostih naborov podatkov med 5,000 in 100,000 primeri, kot tudi v več arhitekturah modelov, ki so na voljo za fino nastavitev. Poročani rezultati kažejo na dosledne izboljšave ne glede na področje, pri čemer se zmogljivost meri z internimi ocenami, prilagojenimi specifičnim vertikalnim aplikacijam.
Nadaljnje primerjave, predstavljene v okviru za evalvacijo, kažejo, da je AutoScientist dosegel višjo povprečno zmogljivost kot konfiguracije, ki so jih zasnovali človeški raziskovalci, vključno z izkušenim inženirskim osebjem za umetno inteligenco. V teh testih so človeški strokovnjaki izbrali nastavitve učenja na podlagi svojega znanja o arhitekturi modela, značilnostih nabora podatkov in zahtevah domene, medtem ko je AutoScientist dobil enake vhodne podatke skupaj z možnostjo iterativnega izpopolnjevanja lastnih konfiguracij z uporabo zgodovinskih podatkov o izvajanju. V teh pogojih so se skupni rezultati pri uporabi avtomatiziranega sistema po poročilih izboljšali z 48 odstotkov na 64 odstotkov, s povprečnim izboljšanjem zmogljivosti za približno 35 odstotkov v vseh poskusih.
AutoScientist kaže na meddomensko stabilnost, hkrati pa si prizadeva za demokratizacijo natančnega uglaševanja modela Frontier
Dodatno primerjalno testiranje na več področjih uporabe kaže, da sistem ni močno občutljiv na določena področja, pri čemer so bile izboljšave opažene na osmih različnih vertikalah. Podjetje poroča, da je ta doslednost opazna glede na to, da mnogi tradicionalni pristopi k natančnemu uglaševanju običajno ne delujejo dovolj dobro zunaj ozkih ali zelo skrbno določenih okolij, medtem ko naj bi AutoScientist zagotavljal stabilnejše izboljšave pri različnih nalogah in naborih podatkov.
Sistem je postavljen kot del širših prizadevanj za avtomatizacijo procesov razvoja modelov, zlasti na področjih, ki vključujejo dolgoročno sklepanje, kar ostaja vztrajen izziv pri zanesljivosti umetne inteligence. Razvijalci navajajo, da AutoScientist predstavlja zgodnji korak k zmanjšanju potrebe po ročnem posredovanju v procesih učenja modelov, pri čemer se bodo prihodnje raziskovalne smeri osredotočile na omogočanje bolj neposrednih oblik prilagajanja, ki morda ne bodo zahtevale tradicionalnih ciklov učenja.
Poleg tehničnih ciljev je izdaja zasnovana tudi kot prizadevanje za razširitev dostopa do prilagajanja modelov, kar širšemu krogu uporabnikov omogoča oblikovanje sistemov umetne inteligence za specifične aplikacije. Orodje je na voljo brezplačno za začetno 30-dnevno obdobje. Širši cilj je v skladu z zastavljenim okvirjem zmanjšati ovire za razvoj modelov umetne inteligence in razširiti možnost ustvarjanja prilagojenih sistemov onkraj majhne skupine specializiranih raziskovalcev, skoncentriranih v večjih laboratorijih.
Ključni kontekstualni argument, poudarjen v objavi, je, da ima le majhno število ljudi po vsem svetu strokovno znanje, potrebno za pravilno učenje in natančno nastavitev modelov umetne inteligence na mejnih stopnjah, večina tega znanja pa je skoncentrirana v omejenem številu večjih raziskovalnih laboratorijev. Predlagano je, da bi lahko postopek gradnje prilagojenih modelov za posamezne organizacije in specifične primere uporabe postal dostopnejši in praktično dosegljiv, če bi sistem, kot je AutoScientist, lahko uspešno avtomatiziral vidike tega strokovnega znanja.
Zavrnitev odgovornosti
V skladu z Smernice projekta Trust, upoštevajte, da informacije na tej strani niso namenjene in se jih ne sme razlagati kot pravni, davčni, naložbeni, finančni ali kakršen koli drug nasvet. Pomembno je, da vlagate samo tisto, kar si lahko privoščite izgubiti, in da poiščete neodvisen finančni nasvet, če imate kakršne koli dvome. Za dodatne informacije predlagamo, da si ogledate določila in pogoje ter strani s pomočjo in podporo, ki jih nudi izdajatelj ali oglaševalec. MetaversePost se zavzema za natančno in nepristransko poročanje, vendar se tržni pogoji lahko spremenijo brez predhodnega obvestila.
O avtorju
Alisa, predana novinarka pri MPost, specializiran za kriptovalute, umetno inteligenco, naložbe in široko področje Web3. Z ostrim očesom za nastajajoče trende in tehnologije zagotavlja celovito pokritost za informiranje in vključevanje bralcev v nenehno razvijajočo se pokrajino digitalnih financ.
več člankov
Alisa, predana novinarka pri MPost, specializiran za kriptovalute, umetno inteligenco, naložbe in široko področje Web3. Z ostrim očesom za nastajajoče trende in tehnologije zagotavlja celovito pokritost za informiranje in vključevanje bralcev v nenehno razvijajočo se pokrajino digitalnih financ.
