Awtomatiko ng AutoScientist ng Adaption ang Pagpino ng Modelo Gamit ang Closed-Loop Training na Higit Pa sa mga Konpigurasyong Dinisenyo ng Tao
Sa madaling sabi
Inilunsad ng Adaptation ang AutoScientist, isang sistemang awtomatikong nagko-customize ng mga modelo ng AI sa pamamagitan ng pag-optimize sa parehong data ng pagsasanay at mga proseso ng pagkatuto para sa mga partikular na gawain.
Pag-iiba, isang AI startup na itinatag ng dating Cohere Vice President ng Research na si Sara Hooker, ay nagpakilala ng isang bagong sistema na tinatawag na AutoScientist, na idinisenyo upang i-automate ang proseso ng pag-aangkop ng mga modelo ng AI sa mga partikular na gawain sa pamamagitan ng sama-samang pag-optimize ng parehong data ng pagsasanay at mga configuration ng pagkatuto. Ang sistema ay nakaposisyon bilang isang hakbang tungo sa pag-automate ng mga daloy ng trabaho sa pananaliksik at pagpapaunlad ng AI, na may layuning bawasan ang manu-manong pagsisikap na karaniwang kinakailangan sa pagpipino at pag-eksperimento ng modelo.
Ang AutoScientist ay inilalarawan bilang isang end-to-end framework na sabay-sabay na nag-o-optimize ng mga dataset at mga recipe ng pagsasanay, na umuulit sa isang closed loop kung saan ang parehong pagpili ng data at mga parameter ng pagsasanay ng modelo ay patuloy na inaayos. Ang proseso ay nilalayong magpatuloy hanggang sa maging matatag ang pagganap sa paligid ng isang defilayunin, na epektibong nagpapahintulot sa sistema na pinuhin kapwa kung ano ang natututuhan ng modelo at kung paano nito ito natututunan nang walang patuloy na interbensyon ng tao.
Ayon sa kumpanya, ang tool ay nilayon upang mabawasan ang oras na kinakailangan upang lumipat mula sa isang paunang konsepto patungo sa isang naka-deploy at na-customize na modelo, na posibleng magpaliit sa mga siklo ng pag-unlad mula linggo hanggang oras. Ipinakikita rin ito bilang isang mekanismo na nagpapalawak ng access sa pagpapasadya ng modelo na lampas sa mga espesyalista sa machine learning, na nagbibigay-daan sa mga user na walang malalim na teknikal na kadalubhasaan na impluwensyahan hindi lamang ang mga prompt kundi pati na rin ang pinagbabatayan na pag-uugali ng mga sinanay na sistema. Ang diskarte ay nakabalangkas bilang partikular na may kaugnayan para sa mga organisasyong naghahangad na pinuhin ang mga modelo para sa wikang partikular sa domain, mga nakabalangkas na output, o mga limitasyon sa kahusayan tulad ng latency at gastos, habang mas epektibo ang paggamit ng mga proprietary dataset sa loob ng mga AI system.
Ang mga panloob na pagsusuring isinangguni ng kumpanya ay nagmumungkahi na ang AutoScientist ay nagpapakita ng pinahusay na pagganap kumpara sa mga baseline na modelo sa iba't ibang laki ng dataset sa pagitan ng 5,000 at 100,000 halimbawa, pati na rin sa maraming arkitektura ng modelo na magagamit para sa pinong pag-aayos. Ang mga naiulat na resulta ay nagpapahiwatig ng pare-parehong mga natamo anuman ang domain, kung saan ang pagganap ay sinusukat gamit ang mga panloob na pagsusuri na iniayon sa mga partikular na patayong aplikasyon.
Ang mga karagdagang paghahambing na ipinakita sa balangkas ng pagsusuri ay nagpapahiwatig na ang AutoScientist ay nakamit ang mas mataas na average na pagganap kaysa sa mga configuration na idinisenyo ng mga mananaliksik na tao, kabilang ang mga bihasang kawani ng AI engineering. Sa mga pagsubok na ito, ang mga ekspertong tao ay pumili ng mga setup ng pagsasanay batay sa kanilang kaalaman sa arkitektura ng modelo, mga katangian ng dataset, at mga kinakailangan sa domain, habang ang AutoScientist ay binigyan ng parehong mga input kasama ang kakayahang paulit-ulit na pinuhin ang sarili nitong mga configuration gamit ang historical run data. Sa ilalim ng mga kundisyong ito, ang pinagsama-samang mga resulta ay naiulat na bumuti mula 48 porsyento hanggang 64 porsyento kapag ginagamit ang automated system, na may average na pagtaas ng pagganap na humigit-kumulang 35 porsyento sa mga eksperimento.
Nagpakita ang AutoScientist ng Katatagan sa Iba't Ibang Domain Habang Nilalayon na Gawing Demokrasya ang Pagpino ng Modelo ng Frontier
Ang karagdagang benchmarking sa maraming lugar ng aplikasyon ay nagmumungkahi na ang sistema ay hindi gaanong sensitibo sa mga partikular na domain, na may mga naobserbahang pagbuti sa walong magkakaibang vertical. Iniulat ng kumpanya na ang pagkakapare-parehong ito ay kapansin-pansin dahil maraming tradisyonal na pamamaraan ng fine-tuning ang may posibilidad na hindi gumana nang maayos sa labas ng makikitid o mataas na curated na mga setting, samantalang ang AutoScientist ay naiulat na naghahatid ng mas matatag na mga pagpapabuti sa iba't ibang mga gawain at dataset.
Ang sistema ay nakaposisyon bilang bahagi ng mas malawak na pagsisikap na i-automate ang mga proseso ng pagbuo ng modelo, lalo na sa mga larangang kinasasangkutan ng pangmatagalang pangangatwiran, na nananatiling isang patuloy na hamon sa pagiging maaasahan ng AI. Ipinapahiwatig ng mga developer na ang AutoScientist ay kumakatawan sa isang maagang hakbang tungo sa pagbabawas ng pangangailangan para sa manu-manong interbensyon sa mga pipeline ng pagsasanay ng modelo, kung saan ang mga direksyon sa pananaliksik sa hinaharap ay nakatuon sa pagpapagana ng mas agarang mga anyo ng adaptasyon na maaaring hindi nangangailangan ng mga tradisyonal na siklo ng pagsasanay.
Kasama ng mga teknikal na layunin nito, ang paglabas ay inilalarawan din bilang isang pagsisikap na palawakin ang access sa pagpapasadya ng modelo, na nagbibigay-daan sa mas malawak na hanay ng mga gumagamit na hubugin ang mga sistema ng AI para sa mga partikular na aplikasyon. Ang tool ay ginagawang libre sa loob ng unang 30 araw. Ang mas malawak na layunin, ayon sa ibinigay na balangkas, ay upang mabawasan ang mga hadlang sa pagbuo ng modelo ng AI at palawakin ang kakayahang lumikha ng mga pinasadyang sistema na higit pa sa isang maliit na grupo ng mga dalubhasang mananaliksik na nakapokus sa mga pangunahing laboratoryo.
Isang mahalagang argumentong kontekstwal na itinampok sa anunsyo ay kakaunti lamang na bilang ng mga tao sa buong mundo ang nagtataglay ng kadalubhasaan na kinakailangan upang maayos na sanayin at pinuhin ang mga modelo ng frontier AI, kung saan ang karamihan sa kaalamang ito ay nakatuon sa limitadong bilang ng mga pangunahing laboratoryo ng pananaliksik. Iminumungkahi na kung ang isang sistema tulad ng AutoScientist ay matagumpay na makakapag-automate ng mga aspeto ng kadalubhasaan na ito, ang proseso ng pagbuo ng mga customized na modelo para sa mga indibidwal na organisasyon at mga partikular na kaso ng paggamit ay maaaring maging mas naa-access at praktikal na makakamit.
Pagtanggi sa pananagutan
Sa linya na may Mga alituntunin ng Trust Project, pakitandaan na ang impormasyong ibinigay sa pahinang ito ay hindi nilayon at hindi dapat bigyang-kahulugan bilang legal, buwis, pamumuhunan, pananalapi, o anumang iba pang paraan ng payo. Mahalagang mamuhunan lamang kung ano ang maaari mong mawala at humingi ng independiyenteng payo sa pananalapi kung mayroon kang anumang mga pagdududa. Para sa karagdagang impormasyon, iminumungkahi naming sumangguni sa mga tuntunin at kundisyon pati na rin sa mga pahina ng tulong at suporta na ibinigay ng nagbigay o advertiser. MetaversePost ay nakatuon sa tumpak, walang pinapanigan na pag-uulat, ngunit ang mga kondisyon ng merkado ay maaaring magbago nang walang abiso.
Tungkol sa Ang May-akda
Alisa, isang dedikadong mamamahayag sa MPost, ay dalubhasa sa crypto, AI, mga pamumuhunan, at sa malawak na larangan ng Web3. Sa isang matalas na mata para sa mga umuusbong na uso at teknolohiya, naghahatid siya ng komprehensibong saklaw upang ipaalam at hikayatin ang mga mambabasa sa patuloy na umuusbong na tanawin ng digital finance.
Mas marami pang artikulo
Alisa, isang dedikadong mamamahayag sa MPost, ay dalubhasa sa crypto, AI, mga pamumuhunan, at sa malawak na larangan ng Web3. Sa isang matalas na mata para sa mga umuusbong na uso at teknolohiya, naghahatid siya ng komprehensibong saklaw upang ipaalam at hikayatin ang mga mambabasa sa patuloy na umuusbong na tanawin ng digital finance.
