Amazon သည် ကုဒ်လိုင်းအနည်းငယ်ဖြင့် အင်ဂျင်နီယာ AI မော်ဒယ်များအတွက် ကိရိယာအသစ်ကို ဖန်တီးခဲ့သည်။

စက်သင်ယူမှု ပိုမိုလွယ်ကူလာစေရန် ကြိုးပမ်းမှုများ တိုးမြင့်လာသည်နှင့်အမျှ၊ မတူညီသောကုမ္ပဏီများသည် နက်နဲသောသင်ယူမှုပုံစံများကို ပိုမိုရိုးရှင်းအောင် ဖန်တီးခြင်းနှင့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန် ကိရိယာများကို ဖန်တီးနေကြသည်။ အမျှ VentureBeat အစီရင်ခံချက်များအရ Amazon သည် ကုဒ်လိုင်းအနည်းငယ်တွင် စက်သင်ယူမှုပုံစံများကို ဖန်တီးရန်နှင့် ပြုပြင်မွမ်းမံရန် ဒီဇိုင်းထုတ်ထားသည့် ကိရိယာအသစ်ကို ထုတ်ဖော်ခဲ့သည်။

ဒေတာအတွဲတစ်ခုပေါ်တွင် စက်သင်ယူမှုကို လုပ်ဆောင်ခြင်းသည် ရှည်လျားပြီး ရှုပ်ထွေးသော အလုပ်တစ်ခုဖြစ်သည်။ ဒေတာကို အသွင်ပြောင်းပြီး ကြိုတင်လုပ်ဆောင်ရမည်ဖြစ်ပြီး၊ ထို့နောက် သင့်လျော်သော မော်ဒယ်ကို ဖန်တီးကာ စိတ်ကြိုက်ပြင်ဆင်ရမည်ဖြစ်သည်။ မော်ဒယ်တစ်ခု၏ ဟိုက်ပါပါရာမီတာများကို ပြုပြင်ပြောင်းလဲပြီးနောက် ပြန်လည်လေ့ကျင့်ခြင်းသည် အချိန်ကြာမြင့်နိုင်ပြီး၊ ဤကဲ့သို့သော ပြဿနာများကို ကူညီဖြေရှင်းရန် Amazon မှ AutoGluon ကို စတင်လိုက်ပြီဖြစ်သည်။ AutoGluon သည် စက်သင်ယူမှုစနစ်ဖန်တီးမှုနှင့်အတူ ပုံမှန်အားဖြင့် ထွက်ပေါ်လာသော အစိတ်အပိုင်းများစွာကို အလိုအလျောက်လုပ်ဆောင်ရန် ကြိုးပမ်းမှုတစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ စက်သင်ယူမှုအင်ဂျင်နီယာများသည် သင့်လျော်သောဗိသုကာလက်ရာတစ်ခုကို ဆုံးဖြတ်ရရုံသာမက မော်ဒယ်၏ hyperparameters များကိုလည်း စမ်းသပ်ရန် လိုအပ်ပါသည်။ AutoGluon သည် အာရုံကြောပိုက်ကွန်ဗိသုကာဖန်တီးမှုနှင့် သင့်လျော်သော hyperparameters ရွေးချယ်မှုတို့ကို ပိုမိုလွယ်ကူစေရန် ကြိုးပမ်းသည်။

AutoGluon သည် 2017 ခုနှစ်တွင် Microsoft နှင့် Amazon မှ အစပြုခဲ့သော အလုပ်အပေါ် အခြေခံထားသည်။ မူရင်း Gluon သည် developer များအား ၎င်းတို့၏ ကိုယ်ပိုင်မော်ဒယ်များ ဖန်တီးရန် အကောင်းဆုံးသော အစိတ်အပိုင်းများကို ရောနှောပြီး လိုက်ဖက်ညီအောင် ဒီဇိုင်းထုတ်ထားသည့် စက်သင်ယူမှု အင်တာဖေ့စ်တစ်ခုဖြစ်ပြီး AutoGluon က မော်ဒယ်ကို အဆုံးမှ အဆုံးအထိ ဖန်တီးပေးပါသည်။ အသုံးပြုသူ၏ဆန္ဒအပေါ်။ AutoGluon သည် ကုဒ်စာကြောင်းသုံးကြောင်းမျှသာပါဝင်ပြီး သတ်မှတ်ထားသောရွေးချယ်မှုအကွာအဝေးအတွင်းတွင် မော်ဒယ်တစ်ခုထုတ်လုပ်ကာ မိုဒယ်အတွက် ဟိုက်ပါပါရာမီတာများကို ရွေးချယ်နိုင်သည်ဟု သတင်းရရှိပါသည်။ ဆော့ဖ်ဝဲရေးသားသူသည် ၎င်းတို့အလိုရှိသော သင်တန်းပြီးဆုံးချိန်ကဲ့သို့ ငြင်းခုံမှုအနည်းငယ်ကို ပေးဆောင်ရမည်ဖြစ်ပြီး AutoGluon သည် သတ်မှတ်ထားသော runtime အတွင်း အပြီးသတ်မည့် အကောင်းဆုံးမော်ဒယ်ကို တွက်ချက်ပြီး ရရှိနိုင်သော တွက်ချက်မှုဆိုင်ရာအရင်းအမြစ်များကို ပေးဆောင်မည်ဖြစ်သည်။

AutoGluon သည် လက်ရှိတွင် ရုပ်ပုံအမျိုးအစားခွဲခြင်း၊ စာသားအမျိုးအစားခွဲခြားခြင်း၊ အရာဝတ္ထုသိရှိခြင်း နှင့် ဇယားကွက်ခန့်မှန်းခြင်းအတွက် မော်ဒယ်များကို ဖန်တီးနိုင်စွမ်းရှိသည်။ AutoGluon ၏ API သည် ပိုမိုအတွေ့အကြုံရှိသော developer များအား အလိုအလျောက်ထုတ်လုပ်သည့်မော်ဒယ်ကို စိတ်ကြိုက်ပြင်ဆင်နိုင်စေရန်နှင့် စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်စေရန် ရည်ရွယ်ပါသည်။ လောလောဆယ်တွင်၊ AutoGluon သည် Linux အတွက်သာရရှိနိုင်ပြီး Python 3.6 သို့မဟုတ် 3.7 လိုအပ်သည်။

AutoGluon ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့၏တစ်စိတ်တစ်ပိုင်းဖြစ်သော Jonas Mueller က AutoGluon ၏ဖန်တီးမှုနောက်ကွယ်တွင် အကြောင်းပြချက်ကို ရှင်းပြခဲ့သည်။

"ကျွန်ုပ်တို့ AutoGluon သည် စက်သင်ယူမှုကို အမှန်တကယ် ဒီမိုကရေစီစနစ်ကျစေရန်နှင့် developer များအားလုံးအတွက် နက်နဲသောသင်ယူခြင်း၏စွမ်းအားကို ရရှိစေပါသည်။ ရွေးချယ်မှုများအားလုံးကို သီးခြားလုပ်ငန်းတာဝန်နှင့် မော်ဒယ်အတွက် ကောင်းမွန်စွာလုပ်ဆောင်နိုင်သည်ဟု သိထားသည့် ပုံသေဘောင်များအတွင်း အလိုအလျောက်ချိန်ညှိထားသောကြောင့် AutoGluon သည် ဤပြဿနာကို ဖြေရှင်းပေးပါသည်။"

AutoGluon သည် စက်သင်ယူမှုမော်ဒယ်များကို လေ့ကျင့်ရန် လိုအပ်သော ကျွမ်းကျင်မှုနှင့် အချိန်ကို လျှော့ချရန် ရည်ရွယ်သည့် ရှည်လျားသောနည်းလမ်းများအတွင်းမှ နည်းလမ်းသစ်တစ်ခုဖြစ်သည်။ Theano ကဲ့သို့သော ဆော့ဖ်ဝဲစာကြည့်တိုက်များသည် gradient vectors များကို အလိုအလျောက်တွက်ချက်ပေးကာ Keras သည် developer များအား လိုချင်သော hyperparameters အချို့ကို အလွယ်တကူ သတ်မှတ်နိုင်စေပါသည်။ ဒေတာကြိုတင်လုပ်ဆောင်ခြင်းနှင့် ဟိုက်ပါပါရာမီတာ ချိန်ညှိခြင်းတို့ကို ပိုမိုရိုးရှင်းအောင်ပြုလုပ်ခြင်းကဲ့သို့သော ဒီမိုကရေစီနည်းလမ်းကျသော စက်သင်ယူခြင်းဆိုင်ရာ ဒီမိုကရေစီအသွင်ကူးပြောင်းရေးတွင် အကျုံးဝင်နိုင်သည့် အကြောင်းရင်းများစွာရှိနေသေးသည်ဟု Amazon မှ ယုံကြည်သည်။

AutoGluon ၏ဖန်တီးမှုသည် လေ့ကျင့်သင်ကြားမှုနှင့် စက်သင်ယူမှုစနစ်များကို ပိုမိုလွယ်ကူစွာအသုံးပြုနိုင်စေရန်အတွက် Amazon ၏ကြိုးပမ်းမှုတစ်စိတ်တစ်ပိုင်းဖြစ်ပုံရသည်။ Amazon သည် ၎င်း၏ AWS suite သို့ စက်သင်ယူမှုဗဟိုပြု ပြောင်းလဲမှုများကိုလည်း ပြုလုပ်ခဲ့သည်။ ဥပမာအားဖြင့်၊ AWS Sagemaker toolkit သို့ အဆင့်မြှင့်တင်မှုများ ပြုလုပ်ထားသည်။ AWS suite အတွင်းရှိ AWS SageMaker toolkit သည် developer များအား cloud တွင် မော်ဒယ်များကို လေ့ကျင့်သင်ကြားပြီး အသုံးချနိုင်စေပါသည်။ SageMaker သည် developer များအား algorithms များကို အလိုအလျောက်ရွေးချယ်ခြင်း၊ လေ့ကျင့်ပေးကာ မော်ဒယ်များကို တရားဝင်စေခြင်းနှင့် မော်ဒယ်များ၏ တိကျမှုကို တိုးတက်စေသည့် ကိရိယာမျိုးစုံဖြင့် ပါရှိသည်။