Amazon maakt nieuwe tool om AI-modellen te ontwikkelen met slechts een paar regels code

Naarmate de inspanningen om machinaal leren gemakkelijker en toegankelijker te maken toenemen, creëren verschillende bedrijven tools om het creëren en optimaliseren van deep learning-modellen eenvoudiger te maken. Als VentureBeat meldt, heeft Amazon een nieuwe tool gelanceerd die is ontworpen om modellen voor machine learning te maken en aan te passen in slechts een paar regels code.

Het uitvoeren van machine learning op een dataset is vaak een lange, complexe taak. De gegevens moeten worden getransformeerd en voorverwerkt, en vervolgens moet het juiste model worden gemaakt en aangepast. Het aanpassen van de hyperparameters van een model en vervolgens opnieuw trainen kan lang duren, en om dit soort problemen op te lossen, heeft Amazon AutoGluon gelanceerd. AutoGluon is een poging om veel van de overhead te automatiseren die doorgaans gepaard gaat met het maken van een machine learning-systeem. Machine learning-ingenieurs moeten bijvoorbeeld niet alleen beslissen over een geschikte architectuur, ze moeten ook experimenteren met de hyperparameters van het model. AutoGluon probeert zowel het creëren van de neurale netarchitectuur als de selectie van geschikte hyperparameters gemakkelijker te maken.

AutoGluon is gebaseerd op werk dat oorspronkelijk in 2017 door Microsoft en Amazon was begonnen. De oorspronkelijke Gluon was een machine learning-interface die was ontworpen om ontwikkelaars geoptimaliseerde componenten te laten mixen en matchen om hun eigen modellen te maken, maar AutoGluon maakt gewoon een end-to-end model, gebaseerd op op de wensen van de gebruiker. AutoGluon is naar verluidt in staat om een ​​model te produceren en de hyperparameters voor het model te selecteren, binnen een reeks gespecificeerde keuzes, met slechts drie regels code. De ontwikkelaar hoeft slechts een paar argumenten te geven, zoals de gewenste voltooiingstijd van de training, en AutoGluon berekent het beste model dat binnen de gespecificeerde runtime en met de beschikbare rekenbronnen zal worden voltooid.

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

Jonas Mueller, onderdeel van het ontwikkelingsteam van AutoGluon, legde de redenering achter de creatie van AutoGluon uit:

“We hebben AutoGluon ontwikkeld om machine learning echt te democratiseren en de kracht van deep learning beschikbaar te maken voor alle ontwikkelaars. AutoGluon lost dit probleem op omdat alle keuzes automatisch worden afgestemd binnen standaardbereiken waarvan bekend is dat ze goed presteren voor de specifieke taak en het specifieke model.”

AutoGluon is een nieuwe methode binnen een lange reeks methoden die bedoeld is om de expertise en tijd die nodig is om machine learning-modellen te trainen, te verminderen. Softwarebibliotheken zoals Theano automatiseerden de berekening van gradiëntvectoren, terwijl Keras ontwikkelaars eenvoudig bepaalde gewenste hyperparameters liet specificeren. Amazon is van mening dat er nog meer terrein kan worden bestreken als het gaat om het democratiseren van machine learning, zoals het vereenvoudigen van het voorbewerken van gegevens en het afstemmen van hyperparameters.

De creatie van AutoGluon lijkt deel uit te maken van een poging van Amazon om het trainen en implementeren van machine learning-systemen gemakkelijker en toegankelijker te maken. Amazon heeft ook op machine learning gerichte wijzigingen aangebracht in zijn AWS-suite. Zo zijn er upgrades gedaan aan de AWS Sagemaker toolkit. Met de AWS SageMaker-toolkit binnen de AWS-suite kunnen ontwikkelaars modellen trainen en implementeren in de cloud. SageMaker wordt geleverd met een verscheidenheid aan tools waarmee ontwikkelaars automatisch algoritmen kunnen kiezen, modellen kunnen trainen en valideren en de nauwkeurigheid van modellen kunnen verbeteren.