Amazon erstellt neues Tool, um AI-Modelle mit nur wenigen Codezeilen zu erstellen

Da die Bemühungen, Machine Learning einfacher und zugänglicher zu machen, zunehmen, erstellen verschiedene Unternehmen Tools, um die Erstellung und Optimierung von Deep-Learning-Modellen zu vereinfachen. Wie VentureBeat berichtet, hat Amazon (AMZN ) ein neues Tool gestartet, das dazu dient, Machine-Learning-Modelle in nur wenigen Codezeilen zu erstellen und zu modifizieren.

Die Durchführung von Machine Learning auf einem Datensatz ist oft eine lange und komplexe Aufgabe. Die Daten müssen transformiert und vorverarbeitet werden, und dann muss das richtige Modell erstellt und angepasst werden. Das Anpassen der Hyperparameter eines Modells und das erneute Training kann viel Zeit in Anspruch nehmen, und um solche Probleme zu lösen, hat Amazon AutoGluon gestartet. AutoGluon ist ein Versuch, viel von dem Overhead, der normalerweise mit der Erstellung eines Machine-Learning-Systems verbunden ist, zu automatisieren. Zum Beispiel müssen Machine-Learning-Ingenieure nicht nur eine geeignete Architektur entscheiden, sondern auch mit den Hyperparametern des Modells experimentieren. AutoGluon versucht, sowohl die Erstellung der neuronalen Netzarichtung als auch die Auswahl geeigneter Hyperparameter zu vereinfachen.

AutoGluon basiert auf Arbeiten, die ursprünglich von Microsoft (MSFT ) und Amazon im Jahr 2017 begonnen wurden. Das ursprüngliche Gluon war eine Machine-Learning-Schnittstelle, die es Entwicklern ermöglichte, optimierte Komponenten zu mischen und zu matchen, um ihre eigenen Modelle zu erstellen, aber AutoGluon erstellt ein Modell von Anfang bis Ende, basierend auf den Wünschen des Benutzers. AutoGluon soll angeblich in der Lage sein, ein Modell zu erstellen und die Hyperparameter für das Modell auszuwählen, innerhalb eines Bereichs von angegebenen Auswahlmöglichkeiten, mit nur drei Codezeilen. Der Entwickler muss nur einige Argumente wie die gewünschte Trainingszeit angeben, und AutoGluon berechnet das beste Modell, das innerhalb der angegebenen Laufzeit und mit den verfügbaren Rechenressourcen abgeschlossen werden kann.

AutoGluon ist derzeit in der Lage, Modelle für Bildklassifizierung, Textklassifizierung, Objekterkennung und tabellarische Vorhersage zu erstellen. Die API von AutoGluon soll es auch erfahrenen Entwicklern ermöglichen, das automatisch generierte Modell anzupassen und die Leistung zu verbessern. Derzeit ist AutoGluon nur für Linux verfügbar und erfordert Python 3.6 oder 3.7.

Jonas Mueller, Teil des AutoGluon-Entwicklungsteams, erklärte die Gründe für die Erstellung von AutoGluon:

„Wir haben AutoGluon entwickelt, um Machine Learning wirklich zu demokratisieren und die Macht des Deep Learning allen Entwicklern zugänglich zu machen. AutoGluon löst dieses Problem, da alle Auswahlmöglichkeiten automatisch innerhalb von Standardbereichen angepasst werden, die bekanntermaßen für die jeweilige Aufgabe und das Modell gut funktionieren.“

AutoGluon ist eine neue Methode in einer langen Reihe von Methoden, die darauf abzielen, den Fachwissen- und Zeitaufwand für die Erstellung von Machine-Learning-Modellen zu reduzieren. Software-Bibliotheken wie Theano automatisierten die Berechnung von Gradientenvektoren, während Keras es Entwicklern ermöglichte, bestimmte gewünschte Hyperparameter leicht anzugeben. Amazon glaubt, dass es noch mehr Möglichkeiten gibt, Machine Learning zu demokratisieren, wie zum Beispiel die Vereinfachung der Datenpräparation und der Hyperparameter-Anpassung.

Die Erstellung von AutoGluon scheint Teil eines Bemühens von Amazon zu sein, das Training und die Bereitstellung von Machine-Learning-Systemen einfacher und zugänglicher zu machen. Amazon hat auch machine-learning-zentrierte Änderungen an seinem AWS-Angebot vorgenommen. Zum Beispiel wurden Upgrades am AWS Sagemaker-Toolkit vorgenommen. Das AWS SageMaker-Toolkit innerhalb des AWS-Angebots ermöglicht es Entwicklern, Modelle in der Cloud zu trainieren und bereitzustellen. SageMaker kommt mit einer Vielzahl von Tools, die es Entwicklern ermöglichen, Algorithmen automatisch auszuwählen, Modelle zu trainieren und zu validieren sowie die Genauigkeit von Modellen zu verbessern.