Adaptions AutoScientist automatiserar modellfinjustering med sluten träning som överträffar människodesignade konfigurationer
I korthet
Adaption presenterar AutoScientist, ett system som automatiskt anpassar AI-modeller genom att optimera både träningsdata och inlärningsprocesser för specifika uppgifter.
anpassning, en AI-startup grundad av Coheres tidigare vice vd för forskning, Sara Hooker, har introducerat ett nytt system som heter AutoScientist, utformat för att automatisera processen att skräddarsy AI-modeller till specifika uppgifter genom att gemensamt optimera både träningsdata och inlärningskonfigurationer. Systemet positioneras som ett steg mot att automatisera arbetsflöden för AI-forskning och utveckling, med målet att minska den manuella ansträngning som vanligtvis krävs vid finjustering och experiment med modeller.
AutoScientist beskrivs som ett heltäckande ramverk som samoptimerar datamängder och träningsrecept samtidigt, itererande genom en sluten slinga där både dataval och modellträningsparametrar kontinuerligt justeras. Processen är avsedd att fortsätta tills prestandan stabiliseras runt ett defined-mål, vilket effektivt gör det möjligt för systemet att förfina både vad modellen lär sig av och hur den lär sig det utan ständig mänsklig inblandning.
Enligt företaget är verktyget avsett att minska den tid som krävs för att gå från ett initialt koncept till en distribuerad, anpassad modell, vilket potentiellt kan komprimera utvecklingscyklerna från veckor till timmar. Det presenteras också som en mekanism som breddar tillgången till modellanpassning bortom maskininlärningsspecialister, vilket gör det möjligt för användare utan djupgående teknisk expertis att påverka inte bara uppmaningar utan även det underliggande beteendet hos tränade system. Tillvägagångssättet framställs som särskilt relevant för organisationer som vill finjustera modeller för domänspecifika språk, strukturerade utdata eller effektivitetsbegränsningar som latens och kostnad, samtidigt som de utnyttjar proprietära datamängder mer effektivt inom AI-system.
Interna utvärderingar som företaget refererar till tyder på att AutoScientist uppvisar förbättrad prestanda jämfört med baslinjemodeller över en rad datamängder mellan 5 000 och 100 000 exempel, samt över flera modellarkitekturer som är tillgängliga för finjustering. Rapporterade resultat indikerar konsekventa vinster oavsett domän, med prestanda mätt med hjälp av interna utvärderingar skräddarsydda för specifika vertikala applikationer.
Ytterligare jämförelser som presenteras i utvärderingsramverket indikerar att AutoScientist uppnådde högre genomsnittlig prestanda än konfigurationer designade av mänskliga forskare, inklusive erfaren AI-ingenjörspersonal. I dessa tester valde mänskliga experter träningsuppsättningar baserat på deras kunskap om modellarkitektur, datamängdsegenskaper och domänkrav, medan AutoScientist fick samma indata tillsammans med möjligheten att iterativt förfina sina egna konfigurationer med hjälp av historiska kördata. Under dessa förhållanden förbättrades de aggregerade resultaten enligt uppgift från 48 procent till 64 procent när det automatiserade systemet användes, med en genomsnittlig prestandaökning på cirka 35 procent över experimenten.
AutoScientist visar stabilitet över domäner samtidigt som de strävar efter att demokratisera finjustering av gränsmodeller
Ytterligare benchmarking över flera applikationsområden tyder på att systemet inte är särskilt känsligt för specifika domäner, med vinster observerade inom åtta olika vertikaler. Företaget rapporterar att denna konsekvens är anmärkningsvärd med tanke på att många traditionella finjusteringsmetoder tenderar att underprestera utanför snäva eller noggrant kurerade miljöer, medan AutoScientist enligt uppgift levererar mer stabila förbättringar över olika uppgifter och datamängder.
Systemet är positionerat som en del av en bredare satsning på att automatisera modellutvecklingsprocesser, särskilt inom områden som involverar långsiktigt resonemang, vilket fortfarande är en ständig utmaning för AI-tillförlitlighet. Utvecklarna indikerar att AutoScientist representerar ett tidigt steg mot att minska behovet av manuell intervention i modellträning, med framtida forskningsinriktningar inriktade på att möjliggöra mer omedelbara former av anpassning som kanske inte kräver traditionella träningscykler.
Vid sidan av sina tekniska mål är lanseringen också utformad som ett försök att bredda tillgången till modellanpassning, vilket gör det möjligt för ett bredare spektrum av användare att utforma AI-system för specifika tillämpningar. Verktyget görs tillgängligt kostnadsfritt under en initial 30-dagarsperiod. Det bredare målet, enligt den givna ramen, är att minska hindren för AI-modellutveckling och utöka möjligheten att skapa skräddarsydda system bortom en liten grupp specialiserade forskare koncentrerade till stora laboratorier.
Ett viktigt kontextuellt argument som lyfts fram i tillkännagivandet är att endast ett litet antal människor globalt besitter den expertis som krävs för att korrekt utbilda och finjustera AI-modeller i frontlinjen, och att det mesta av denna kunskap är koncentrerad till ett begränsat antal stora forskningslaboratorier. Det föreslås att om ett system som AutoScientist framgångsrikt kan automatisera aspekter av denna expertis, skulle processen att bygga anpassade modeller för enskilda organisationer och specifika användningsfall kunna bli mer tillgänglig och praktiskt genomförbar.
Ansvarsfriskrivning
I linje med den Riktlinjer för Trust Project, vänligen notera att informationen på den här sidan inte är avsedd att vara och inte ska tolkas som juridisk, skattemässig, investerings-, finansiell eller någon annan form av rådgivning. Det är viktigt att bara investera det du har råd att förlora och att söka oberoende finansiell rådgivning om du har några tvivel. För ytterligare information föreslår vi att du hänvisar till villkoren samt hjälp- och supportsidorna som tillhandahålls av utfärdaren eller annonsören. MetaversePost är engagerad i korrekt, opartisk rapportering, men marknadsförhållandena kan ändras utan föregående meddelande.
Om författaren
Alisa, en engagerad journalist på MPost, specialiserar sig på krypto, AI, investeringar och det expansiva området av Web3. Med ett skarpt öga för nya trender och tekniker levererar hon omfattande täckning för att informera och engagera läsare i det ständigt föränderliga landskapet för digital ekonomi.
fler artiklar
Alisa, en engagerad journalist på MPost, specialiserar sig på krypto, AI, investeringar och det expansiva området av Web3. Med ett skarpt öga för nya trender och tekniker levererar hon omfattande täckning för att informera och engagera läsare i det ständigt föränderliga landskapet för digital ekonomi.
