MLCopilot: Utnyttja kraften hos LLM:er för att hjälpa utvecklare i deras ML-uppgifter
I korthet
MLCopilot är ett nytt sätt att använda maskininlärningsmodeller för att lösa utmanande uppgifter, automatisera processen att välja parametrar och arkitekturer.
Den fungerar på två nivåer, offline och online, extraherar kunskap från hundratals maskininlärningsexperiment och tillämpar en speciell promtp för att generera ett beslut.
Det ger påtagliga fördelar som snabb utförande och sänkning av arbetskostnader.
Maskininlärningsmodeller har använts för att lösa olika uppgifter; Men utbildningen av dem har mest varit en manuell process. Utmaningen var att välja rätt parametrar och arkitekturer för att få bästa resultat eftersom processen kräver stor kunskap och erfarenhet. Med tillkomsten av avancerad teknologi och stora språkmodeller (LLM), som t.ex GPT-3.5, denna process kan nu automatiseras. Detta öppnar upp ett nytt sätt att använda kraften i maskininlärningsmodeller för att lösa utmanande uppgifter: MLCopilot.
MLCopilot fungerar på två nivåer. På offlinesidan är enheter som avsikts- och modellarkitekturen förenade, med kunskap som utvinns från hundratals maskininlärningsexperiment. Dessa data utgör den kunskapsbas som MLCopiloten arbetar på. På onlinesidan tillämpar MLCopilot en speciell uppmaning, inklusive relevanta exempel från tidigare experiment, för att skapa ett beslut om det bästa sättet att lösa en viss uppgift. Sådana beslut har visat sig vara mer exakta än de som fattas av människor som manuellt väljer och tillämpar beprövade algoritmer.
Förutom att fatta mer exakta beslut, ger MLCopilot påtagliga fördelar som snabbare utförande och minskning av arbetskostnader. Å andra sidan måste vissa nackdelar hållas i åtanke, till exempel behovet av högprecisionsdata för att bilda kunskapsbasen och behovet av att hålla modellen uppdaterad med nya experiment.
Intressant nog översattes uppskattningarna av experiment från historien till relativa utan siffror: "mycket låg", "låg", "medium", "hög" och "mycket hög." Utifrån detta skulle modellen kunna avgöra vad som fungerar och inte.
Sammantaget har MLCopilot potentialen att förbättra sättet att lösa maskininlärningsuppgifter. Genom att automatiskt välja rätt parametrar och arkitektur låter det oss utnyttja kraften i maskininlärningsmodeller för att spara tid och kostnader samtidigt som vi förbättrar noggrannheten. I slutändan kommer dessa fördelar att gynna alla: från enskilda forskare till stora företag eller statliga organisationer. Detta är ett stort steg framåt för AI-eran och kommer säkerligen att följas av fler spännande utvecklingar.
Artikeln avslutas med en skrämmande ton för vissa och en motiverande notering för andra: "Vi hoppas att utformningen av vår metod kan tjäna som inspiration för det bredare samhället och bidra till att främja LLMs mot målet att uppnå artificiell allmän intelligens ( AGI)."
- Den 14 mars, OpenAI meddelade lanseringen av GPT-4, en uppgraderad version av dess artificiella intelligensmodell GPT-3.5. Den har uppnått en högklassig tröskel, överträffat GPT-3.5 om olika studieriktmärken.
Läs mer om AI:
Villkor
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
Damir är teamledare, produktchef och redaktör på Metaverse Post, som täcker ämnen som AI/ML, AGI, LLMs, Metaverse och Web3-relaterade områden. Hans artiklar lockar en massiv publik på över en miljon användare varje månad. Han verkar vara en expert med 10 års erfarenhet av SEO och digital marknadsföring. Damir har nämnts i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto och andra publikationer. Han reser mellan Förenade Arabemiraten, Turkiet, Ryssland och OSS som en digital nomad. Damir tog en kandidatexamen i fysik, som han tror har gett honom de kritiska tänkande färdigheter som behövs för att bli framgångsrik i det ständigt föränderliga landskapet på internet.
fler artiklar
Damir är teamledare, produktchef och redaktör på Metaverse Post, som täcker ämnen som AI/ML, AGI, LLMs, Metaverse och Web3-relaterade områden. Hans artiklar lockar en massiv publik på över en miljon användare varje månad. Han verkar vara en expert med 10 års erfarenhet av SEO och digital marknadsföring. Damir har nämnts i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto och andra publikationer. Han reser mellan Förenade Arabemiraten, Turkiet, Ryssland och OSS som en digital nomad. Damir tog en kandidatexamen i fysik, som han tror har gett honom de kritiska tänkande färdigheter som behövs för att bli framgångsrik i det ständigt föränderliga landskapet på internet.
