Амазон создава нова алатка за инженерство на модели со вештачка интелигенција со само неколку линии код

Како што се зголемуваат напорите да се направи машинското учење полесно подостапно, различни компании создаваат алатки за да го направат создавањето и оптимизацијата на моделите за длабоко учење поедноставни. Како VentureBeat Според извештаите, Амазон лансираше нова алатка дизајнирана да помогне во креирањето и менувањето на моделите за машинско учење во само неколку линии код.

Спроведувањето на машинско учење на база на податоци често е долга, сложена задача. Податоците мора да се трансформираат и претходно да се обработат, а потоа да се креира и прилагоди соодветниот модел. Дотерувањето на хиперпараметрите на моделот, а потоа преквалификацијата може да потрае долго време, а за да помогне во решавањето на проблемите како овој, Amazon го лансираше AutoGluon. AutoGluon е обид да се автоматизира голем дел од трошоците што вообичаено доаѓаат со создавање на систем за машинско учење. На пример, не само што инженерите за машинско учење треба да одлучат за соодветна архитектура, туку треба да експериментираат и со хиперпараметрите на моделот. AutoGluon се труди да го олесни создавањето на архитектурата на нервната мрежа и изборот на соодветни хиперпараметри.

AutoGluon се заснова на работата што првично ја започнаа Мајкрософт и Амазон во 2017 година. Оригиналниот Gluon беше интерфејс за машинско учење дизајниран да им овозможи на програмерите да ги мешаат и усогласат оптимизираните компоненти за да создадат свои модели, но AutoGluon само создава модел од крај до крај, базиран на желбите на корисникот. AutoGluon, наводно, е способен да произведе модел и да ги избере хиперпараметрите за моделот, во рамките на опсегот на одредени избори, со само три линии код. Програмерот треба да обезбеди само неколку аргументи како нивното посакувано време за завршување на обуката, а AutoGluon ќе го пресмета најдобриот модел што ќе заврши во одреденото време на работа и со оглед на расположливите пресметковни ресурси.

AutoGluon моментално е способен да создава модели за класификација на слики, класификација на текст, откривање објекти и табеларно предвидување. API на AutoGluon е исто така наменет да им овозможи на поискусните програмери да можат да го приспособат автоматски генерираниот модел и да ги подобрат перформансите. Во моментов, AutoGluon е достапен само за Linux и бара Python 3.6 или 3.7.

Јонас Мулер, дел од тимот за развој на AutoGluon, го објасни резонирањето зад создавањето на AutoGluon:

„Ние го развивме AutoGluon за вистински да го демократизира машинското учење и да ја направиме моќта на длабокото учење достапна за сите програмери. AutoGluon го решава овој проблем бидејќи сите избори се автоматски наместени во стандардните опсези за кои е познато дека добро функционираат за одредената задача и модел.

AutoGluon е нов метод во долгата низа методи наменети за намалување на експертизата и времето потребно за обука на моделите за машинско учење. Софтверските библиотеки како Theano го автоматизираа пресметувањето на градиентните вектори, додека Keras им дозволуваше на програмерите лесно да специфицираат одредени посакувани хиперпараметри. Амазон верува дека има уште повеќе терен што може да се покрие кога станува збор за демократизирање на машинското учење, како што е поедноставно претходна обработка на податоците и подесување на хиперпараметрите.

Се чини дека создавањето на AutoGluon е дел од напорите на Amazon да ги направи обуките и распоредувањето на системите за машинско учење полесни и подостапни. Амазон, исто така, направи промени насочени кон машинското учење во својот пакет AWS. На пример, направени се надградби на комплетот алатки AWS Sagemaker. Комплетот со алатки AWS SageMaker во пакетот AWS им овозможува на програмерите да обучуваат и распоредуваат модели во облакот. SageMaker доаѓа со различни алатки кои им овозможуваат на програмерите автоматски да избираат алгоритми, да обучуваат и да ги потврдуваат моделите и да ја подобрат точноста на моделите.