Megnyitja AI optimalizációs keretrendszerét az LG
A koreai vállalat Advanced AI részlege által fejlesztett, Autptimizer névre hallgató framework GitHubon már elérhető.
Megnyitja a különböző AI modellek optimalizációjára használt keretrendszerét az LG - az Auptimizer névre hallgató framework minimális kódolással teszi lehetővé megfelelő hiperparaméterek, azaz az egyes algoritumusok, a teljes modell teljesítményét befolyásoló változóinak beállítását.
Miután a gépi tanulási modellek finomhangolásának megfelelő skálázása nem triviális feladat, a megfelelő hiperparaméterek beállítása sokszor rendkívül időigényes lehet, hiszen a a számítási feladatok mellett egy sor egyéb teendőt is igényel, a munkafolyamatok ütemezésétől a különböző paraméterek nyomon követéséig. A koreai vállalat Advanced AI részlege által fejlesztett Auptimizer hiperparaméter-optimalizációs (HPO) keretrendszer, ezeket a feladatokat, a különböző AI modellek csiszolását és eredményeik átlátható követését hivatott gördülékenyebbé tenni a szakértők számára.
Ahogy a Venturebeat is kiemeli, a megoldás egyik erőssége, hogy rendkívül felhasználóbarát, az egyes konfigurációk beállításai során szinte kézen fogva vezeti a felhasználót, és csak néhány sor kódot igényel a működéshez - továbbá a különböző hiperparaméteres algoritmusok, illetve számítási erőforrások közötti váltás is egyszerűen végigzongorázható vele, a betanítási scriptek újraírása nélkül.
Modern SOC, kiberhírszerzés és fenntartható IT védelem (x) Gyere el meetupunkra november 18-án, ahol valós használati eseteken keresztül mutatjuk be az IT-biztonság legújabb trendjeit.
Mikor egy adott gépi tanulási kísérlet megkezdődik, az Autpimizer folyamatosan ellenőrzi az elérhető erőforrásokat és hiperparaméter-opciókat, amelyekkel képes azonosítani a lehető leghatékonyabb modellt. Az összetettebb algoritmusok esetében pedig, amelyeknél kifejezetten az előre megadott hiperparaméterekre van szükség, a rendszer menti azok értékeit a későbbi felhasználásra.
Az Auptimizerrel egyszerűen hozhatók létre, vezérelhetők és dokumentálhatók a gépi tanulási projektek, a keretrendszer továbbá az új HPO algoritmusok integrálását is megkönnyíti. A megoldással a használni kívánt erőforrás-konfigurációk is egyszerűen megadhatók, a különböző processzoroktól a GPU-kon át egészen a felhőszolgáltatásokig - a framework ráadásul a létező erőforrás-kezelő eszközökkel is kompatibilis, mint a Boto 3. Az Auptimizert az érdeklődők már górcső alá vehetik, a projekt kódbázisa GitHubon szabadon elérhető.