A Amazon Cria Nova Ferramenta Para Engenheiros de AI Com Apenas Algumas Linhas de Código

À medida que os esforços para tornar o aprendizado de máquina mais acessível aumentam, diferentes empresas estão criando ferramentas para tornar a criação e otimização de modelos de aprendizado profundo mais simples. Como relata o VentureBeat, a Amazon (AMZN ) lançou uma nova ferramenta projetada para ajudar a criar e modificar modelos de aprendizado de máquina com apenas algumas linhas de código.

Realizar aprendizado de máquina em um conjunto de dados é frequentemente uma tarefa longa e complexa. Os dados devem ser transformados e pré-processados, e então o modelo apropriado deve ser criado e personalizado. Ajustar os hiperparâmetros de um modelo e então retreinar pode levar muito tempo, e para ajudar a resolver problemas como esse, a Amazon lançou o AutoGluon. O AutoGluon é uma tentativa de automatizar grande parte do overhead que normalmente vem com a criação de um sistema de aprendizado de máquina. Por exemplo, não apenas os engenheiros de aprendizado de máquina precisam decidir sobre uma arquitetura apropriada, mas também precisam experimentar com os hiperparâmetros do modelo. O AutoGluon visa tornar mais fácil a criação da arquitetura da rede neural e a seleção de hiperparâmetros apropriados.

O AutoGluon é baseado em trabalho iniciado pela Microsoft (MSFT ) e Amazon em 2017. O Gluon original era uma interface de aprendizado de máquina projetada para permitir que os desenvolvedores misturassem e combinassem componentes otimizados para criar seus próprios modelos, mas o AutoGluon simplesmente cria um modelo de ponta a ponta, com base nos desejos do usuário. O AutoGluon é capaz de produzir um modelo e selecionar os hiperparâmetros para o modelo, dentro de uma faixa de escolhas especificadas, com apenas três linhas de código. O desenvolvedor apenas precisa fornecer alguns argumentos, como o tempo de conclusão do treinamento desejado, e o AutoGluon calculará o melhor modelo que será concluído dentro do tempo de execução especificado e dos recursos de computação disponíveis.

O AutoGluon atualmente é capaz de criar modelos para classificação de imagens, classificação de texto, detecção de objetos e previsão tabular. A API do AutoGluon também é projetada para permitir que desenvolvedores mais experientes possam personalizar o modelo auto-gerado e melhorar o desempenho. No momento, o AutoGluon está disponível apenas para Linux e requer Python 3.6 ou 3.7.

Jonas Mueller, parte da equipe de desenvolvimento do AutoGluon, explicou o raciocínio por trás da criação do AutoGluon:

“Desenvolvemos o AutoGluon para verdadeiramente democratizar o aprendizado de máquina e tornar o poder do aprendizado profundo disponível para todos os desenvolvedores. O AutoGluon resolve esse problema, pois todas as escolhas são ajustadas automaticamente dentro de faixas padrão que são conhecidas por funcionar bem para a tarefa e modelo específicos.”

O AutoGluon é um novo método dentro de uma longa linha de métodos destinados a reduzir a expertise e o tempo necessário para treinar modelos de aprendizado de máquina. Bibliotecas de software como o Theano automatizaram o cálculo de vetores de gradiente, enquanto o Keras permitiu que os desenvolvedores especificassem facilmente certos hiperparâmetros desejados. A Amazon acredita que ainda há mais terreno a ser coberto quando se trata de democratizar o aprendizado de máquina, como tornar o pré-processamento de dados e a ajuste de hiperparâmetros mais simples.

A criação do AutoGluon parece ser parte de um esforço da Amazon para tornar o treinamento e a implantação de sistemas de aprendizado de máquina mais fáceis e acessíveis. A Amazon também fez alterações centradas em aprendizado de máquina em sua suíte AWS. Por exemplo, melhorias foram feitas na ferramenta AWS Sagemaker. A ferramenta AWS SageMaker dentro da suíte AWS permite que os desenvolvedores treinem e implantem modelos na nuvem. O SageMaker vem com uma variedade de ferramentas que permitem que os desenvolvedores escolham automaticamente algoritmos, treinem e validem modelos e melhorem a precisão dos modelos.