Amazon Creëert Nieuw Hulpmiddel Om AI-Modellen Te Maken Met Slechts Enkele Regels Code

Naarmate de inspanningen om machine learning gemakkelijker en toegankelijker te maken, creëren verschillende bedrijven hulpmiddelen om de creatie en optimalisatie van diepe leermodellen eenvoudiger te maken. Zoals VentureBeat meldt, lanceerde Amazon (AMZN ) een nieuw hulpmiddel dat ontwikkelaars helpt om machine learning-modellen te maken en aan te passen met slechts enkele regels code.

Het uitvoeren van machine learning op een dataset is vaak een lange en complexe taak. De gegevens moeten worden getransformeerd en voorbewerkt, en vervolgens moet het juiste model worden gemaakt en aangepast. Het aanpassen van de hyperparameters van een model en het opnieuw trainen kan veel tijd kosten, en om deze problemen op te lossen, heeft Amazon AutoGluon gelanceerd. AutoGluon is een poging om veel van de overhead die gewoonlijk komt met de creatie van een machine learning-systeem te automatiseren. Zo moeten machine learning-engineers niet alleen beslissen over een geschikte architectuur, maar ook experimenteren met de hyperparameters van het model. AutoGluon probeert zowel de creatie van de neurale netwerkarchitectuur als de selectie van geschikte hyperparameters gemakkelijker te maken.

AutoGluon is gebaseerd op werk dat oorspronkelijk in 2017 door Microsoft (MSFT ) en Amazon is begonnen. De oorspronkelijke Gluon was een machine learning-interface die ontwikkelaars in staat stelde om geoptimaliseerde componenten te mixen en te matchen om hun eigen modellen te maken, maar AutoGluon maakt gewoon een model van begin tot eind, op basis van de wensen van de gebruiker. AutoGluon kan volgens rapporten een model produceren en de hyperparameters voor het model selecteren, binnen een bereik van gespecificeerde keuzes, met slechts enkele regels code. De ontwikkelaar hoeft alleen enkele argumenten te bieden, zoals de gewenste trainingsvoltooiingstijd, en AutoGluon zal het beste model berekenen dat binnen de gespecificeerde runtime en met de beschikbare berekeningsbronnen zal worden voltooid.

AutoGluon kan momenteel modellen maken voor beeldclassificatie, tekstclassificatie, objectdetectie en tabulaire voorspelling. De API van AutoGluon is ook bedoeld om ervaren ontwikkelaars in staat te stellen om het automatisch gegenereerde model aan te passen en de prestaties te verbeteren. Op dit moment is AutoGluon alleen beschikbaar voor Linux en vereist het Python 3.6 of 3.7.

Jonas Mueller, onderdeel van het AutoGluon-ontwikkelteam, legde de reden achter de creatie van AutoGluon uit:

“We hebben AutoGluon ontwikkeld om machine learning echt te democratiseren en de kracht van diepe leer beschikbaar te maken voor alle ontwikkelaars. AutoGluon lost dit probleem op door alle keuzes automatisch af te stemmen binnen standaardbereiken die bekend staan als goed presterend voor de specifieke taak en het model.”

AutoGluon is een nieuwe methode in een lange reeks methoden die zijn bedoeld om de expertise en de tijd die nodig zijn om machine learning-modellen te trainen te verminderen. Softwarebibliotheken zoals Theano hebben de berekening van gradientvectoren geautomatiseerd, terwijl Keras ontwikkelaars in staat stelde om bepaalde gewenste hyperparameters gemakkelijk te specificeren. Amazon gelooft dat er nog meer terrein is dat kan worden bedekt bij het democratiseren van machine learning, zoals het maken van gegevensvoorbewerking en hyperparameterafstemming eenvoudiger.

De creatie van AutoGluon lijkt onderdeel te zijn van een inspanning van Amazon om het trainen en implementeren van machine learning-systemen gemakkelijker en toegankelijker te maken. Amazon heeft ook machine learning-gerichte wijzigingen aangebracht in zijn AWS-suite. Zo zijn er bijvoorbeeld upgrades gemaakt aan de AWS Sagemaker-toolkit. De AWS SageMaker-toolkit binnen de AWS-suite laat ontwikkelaars modellen trainen en implementeren in de cloud. SageMaker komt met een reeks hulpmiddelen die ontwikkelaars in staat stellen om automatisch algoritmen te kiezen, modellen te trainen en valideren, en de nauwkeurigheid van modellen te verbeteren.