Amazon Crea Uno Strumento Nuovo Per Progettare Modelli Di Intelligenza Artificiale Con Solo Alcune Righe Di Codice

Man mano che aumentano gli sforzi per rendere il machine learning più facile e accessibile, diverse aziende stanno creando strumenti per semplificare la creazione e l’ottimizzazione dei modelli di deep learning. Come riporta VentureBeat, Amazon ha lanciato uno strumento nuovo progettato per aiutare a creare e modificare modelli di machine learning in sole poche righe di codice.

Eseguire il machine learning su un set di dati è spesso un compito lungo e complesso. I dati devono essere trasformati e preelaborati, e poi il modello appropriato deve essere creato e personalizzato. Regolare i hyperparametri di un modello e quindi ritrarlo può richiedere molto tempo, e per aiutare a risolvere problemi come questo Amazon ha lanciato AutoGluon. AutoGluon è un tentativo di automatizzare gran parte dell’onere che normalmente accompagna la creazione di un sistema di machine learning. Ad esempio, non solo gli ingegneri di machine learning devono decidere un’architettura appropriata, ma devono anche sperimentare con gli hyperparametri del modello. AutoGluon si propone di rendere più facile sia la creazione dell’architettura della rete neurale che la selezione degli hyperparametri appropriati.

AutoGluon si basa sul lavoro iniziato inizialmente da Microsoft e Amazon nel 2017. Il Gluon originale era un’interfaccia di machine learning progettata per consentire ai developer di combinare componenti ottimizzati per creare i propri modelli, ma AutoGluon crea semplicemente un modello end-to-end, in base alle esigenze dell’utente. AutoGluon è in grado di produrre un modello e selezionare gli hyperparametri per il modello, all’interno di una gamma di scelte specificate, con solo poche righe di codice. Lo sviluppatore deve fornire solo alcuni argomenti come il tempo di completamento dell’addestramento desiderato, e AutoGluon calcolerà il modello migliore che completerà all’interno del tempo di runtime specificato e dati le risorse di calcolo disponibili.

AutoGluon è attualmente in grado di creare modelli per la classificazione di immagini, la classificazione di testo, la rilevazione di oggetti e la previsione tabulare. L’API di AutoGluon è anche progettata per consentire ai developer più esperti di personalizzare il modello auto-generato e migliorare le prestazioni. Al momento, AutoGluon è disponibile solo per Linux e richiede Python 3.6 o 3.7.

Jonas Mueller, parte del team di sviluppo di AutoGluon, ha spiegato il motivo alla base della creazione di AutoGluon:

“Abbiamo sviluppato AutoGluon per veramente democratizzare il machine learning e rendere il potere del deep learning disponibile a tutti gli sviluppatori. AutoGluon risolve questo problema in quanto tutte le scelte sono automaticamente regolate all’interno di intervalli predefiniti che sono noti per funzionare bene per il compito e il modello specifico.”

AutoGluon è un nuovo metodo all’interno di una lunga serie di metodi progettati per ridurre l’esperienza e il tempo necessari per addestrare i modelli di machine learning. Le librerie di software come Theano hanno automatizzato il calcolo dei vettori di gradiente, mentre Keras ha consentito ai developer di specificare facilmente determinati hyperparametri desiderati. Amazon ritiene che ci sia ancora più terreno da coprire quando si tratta di democratizzare il machine learning, come rendere più semplici la pre-elaborazione dei dati e la regolazione degli hyperparametri.

La creazione di AutoGluon sembra essere parte di uno sforzo da parte di Amazon per rendere più facile e accessibile l’addestramento e la distribuzione dei sistemi di machine learning. Amazon ha anche apportato modifiche al suo set di strumenti AWS incentrate sul machine learning. Ad esempio, sono stati apportati aggiornamenti allo strumento AWS Sagemaker. Lo strumento AWS SageMaker all’interno del set di strumenti AWS consente agli sviluppatori di addestrare e distribuire modelli nel cloud. SageMaker include una varietà di strumenti che consentono agli sviluppatori di scegliere automaticamente algoritmi, addestrare e convalidare modelli e migliorare l’accuratezza dei modelli.