Entwickeln Sie KI einfacher mit der AutoML-Technologie
Frank Hutter, Leiter des Labors für maschinelles Lernen an der Universität Freiburg in Deutschland, sagte, dass das Ergebnis all dieser menschlichen Entscheidungen darin besteht, dass komplexe Modelle letztendlich „intuitiv“ und nicht systematisch entworfen werden.
Ein wachsendes Feld namens automatisches maschinelles Lernen (autoML) zielt darauf ab, dieses Rätselraten zu beseitigen. Die Idee besteht darin, Algorithmen die Entscheidungen zu überlassen, die Forscher derzeit beim Entwurf von Modellen treffen müssen. Letztendlich könnten diese Technologien maschinelles Lernen zugänglicher machen.
Obwohl es automatisches maschinelles Lernen schon seit fast einem Jahrzehnt gibt, arbeiten Forscher immer noch daran, es zu verbessern. Auf einer neuen Konferenz, die heute in Baltimore stattfindet, werden Bemühungen zur Verbesserung der Genauigkeit und Rationalisierung der Leistung von autoML vorgestellt.
Es besteht großes Interesse am Potenzial von autoML, maschinelles Lernen zu vereinfachen. Unternehmen wie Amazon und Google bieten bereits Low-Code-Tools für maschinelles Lernen an, die die AutoML-Technologie nutzen. Wenn diese Techniken effektiver werden, könnte dies die Forschung beschleunigen und maschinelles Lernen mehr Menschen zugänglich machen.
Die Idee besteht darin, den Menschen die Möglichkeit zu geben, die Frage auszuwählen, die sie stellen möchten, das AutoML-Tool darauf zu richten und die gewünschten Ergebnisse zu erzielen.
Diese Vision ist der „heilige Gral der Informatik“, sagte Lars Kotthoff, Assistenzprofessor für Informatik an der University of Wyoming und Konferenzorganisator: „Sie geben das Problem vor, der Computer weiß, wie er es lösen kann, und das ist alles Sie.“ tun müssen.“ Aber zuerst müssen Forscher herausfinden, wie sie diese Techniken zeit- und energieeffizienter machen können.
Was kann automatisches maschinelles Lernen lösen?
Auf den ersten Blick mag das Konzept von AutoML überflüssig erscheinen – schließlich geht es beim maschinellen Lernen bereits darum, den Prozess der Gewinnung von Erkenntnissen aus Daten zu automatisieren. Da AutoML-Algorithmen jedoch auf einer Abstraktionsebene oberhalb der zugrunde liegenden Modelle für maschinelles Lernen arbeiten und sich ausschließlich auf die Ausgabe dieser Modelle als Orientierungshilfe verlassen, sparen sie Zeit und Rechenaufwand.
Forscher können die AutoML-Technologie auf vorab trainierte Modelle anwenden, um neue Erkenntnisse zu gewinnen, ohne Rechenleistung zu verschwenden und bestehende Forschungsergebnisse zu duplizieren.
Zum Beispiel präsentierten Mehdi Bahrami, ein Forschungswissenschaftler am Fujitsu Research Institute in den Vereinigten Staaten, und seine Co-Autoren aktuelle Arbeiten darüber, wie der BERT-Sortieralgorithmus mit verschiedenen vorab trainierten Modellen verwendet werden kann, um ihn an neue Zwecke anzupassen.
BERT-sort ist ein Algorithmus, der beim Training an einem Datensatz die sogenannte „semantische Reihenfolge“ findet. Anhand der Daten zu Filmkritiken weiß es beispielsweise, dass „großartige“ Filme höher eingestuft werden als „gute“ und „schlechte“ Filme.
Mit der AutoML-Technologie kann die erlernte semantische Reihenfolge auch verallgemeinert werden, um Krebsdiagnosen und sogar fremdsprachigen Text zu klassifizieren, wodurch Zeit und Berechnungen reduziert werden.
„BERT erfordert monatelange Berechnungen und ist sehr teuer, etwa 1 Million US-Dollar, um das Modell zu erstellen und den Prozess zu wiederholen.“ Bahrami sagte: „Wenn also jeder das Gleiche tun möchte, ist es teuer – es ist nicht energieeffizient und schlecht.“ für die Nachhaltigkeit der Welt.“
Trotz der vielversprechenden Ergebnisse auf diesem Gebiet suchen Forscher immer noch nach Möglichkeiten, die AutoML-Technologie recheneffizienter zu machen. Beispielsweise kann bei Methoden wie Neural Architecture Search (NAS), bei denen viele verschiedene Modelle erstellt und getestet werden, um die beste Lösung zu finden, der Energieaufwand für die Durchführung all dieser Iterationen erheblich sein.
Automatisiertes maschinelles Lernen kann auch auf Algorithmen für maschinelles Lernen angewendet werden, die keine neuronalen Netze umfassen, z. B. die Erstellung von Zufallsentscheidungswäldern oder Support-Vektor-Maschinen zur Klassifizierung von Daten. Die Forschung in diesen Bereichen ist im Gange und es stehen bereits zahlreiche Codierungsbibliotheken für Personen zur Verfügung, die die AutoML-Technologie in ihre Projekte integrieren möchten.
Hutter sagte, der nächste Schritt bestehe darin, AutoML zu verwenden, um die Unsicherheit zu quantifizieren und Glaubwürdigkeits- und Fairnessprobleme im Algorithmus anzugehen. In dieser Vision würden die Kriterien für Vertrauenswürdigkeit und Fairness allen anderen Einschränkungen des maschinellen Lernens ähneln, beispielsweise der Genauigkeit. AutoML kann in diesen Algorithmen gefundene Verzerrungen erfassen und automatisch korrigieren, bevor sie veröffentlicht werden.
Kontinuierlicher Fortschritt bei der Suche nach neuronalen Architekturen
Aber für Anwendungen wie Deep Learning hat AutoML noch einen langen Weg vor sich. Die zum Trainieren von Deep-Learning-Modellen verwendeten Daten, etwa Bilder, Dokumente und aufgezeichnete Sprache, sind oft dicht und komplex. Für die Verarbeitung ist eine enorme Rechenleistung erforderlich. Die Kosten und der Zeitaufwand für das Trainieren dieser Modelle können für jeden unerschwinglich sein, außer für Forscher, die in großen Unternehmen mit großen finanziellen Mitteln arbeiten.
Eine der Wettbewerbsanforderungen auf der Konferenz besteht darin, dass die Teilnehmer energieeffiziente alternative Algorithmen für die Suche nach neuronalen Architekturen entwickeln. Dies ist eine ziemliche Herausforderung, da diese Technologie für ihren Rechenaufwand bekannt ist. Es durchläuft automatisch unzählige Deep-Learning-Modelle, um Forschern bei der Auswahl des richtigen Modells für ihre Anwendung zu helfen. Der Prozess kann jedoch Monate dauern und mehr als eine Million Dollar kosten.
Das Ziel dieser alternativen Algorithmen, sogenannte Zero-Cost-Suchagenten für neuronale Architekturen, besteht darin, die Suche in neuronalen Architekturen zugänglicher und umweltfreundlicher zu machen, indem der Rechenaufwand gesenkt wird. Es dauert Sekunden, bis die Ergebnisse vorliegen, nicht Monate. Derzeit befinden sich diese Techniken noch in einem frühen Entwicklungsstadium und sind oft unzuverlässig, aber Forscher des maschinellen Lernens gehen davon aus, dass sie das Potenzial haben, den Modellauswahlprozess effizienter zu gestalten.
Das obige ist der detaillierte Inhalt vonEntwickeln Sie KI einfacher mit der AutoML-Technologie. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
