Otomatik teknikler, AI geliştirmeyi kolaylaştırabilir


Bahrami, “BERT aylarca hesaplama gerektiriyor ve çok pahalı – bu modeli oluşturmak ve bu süreçleri tekrarlamak için bir milyon dolar gibi” diyor. “Yani herkes aynı şeyi yapmak istiyorsa, o zaman pahalıdır – enerji açısından verimli değil, dünya için iyi değil.”

Alan umut verici olsa da, araştırmacılar hala autoML tekniklerini hesaplama açısından daha verimli hale getirmenin yollarını arıyorlar. Örneğin, sinir mimarisi araştırması gibi yöntemler şu anda en uygun olanı bulmak için birçok farklı model oluşturup test ediyor ve tüm bu yinelemeleri tamamlamak için gereken enerji önemli olabilir.

AutoML teknikleri, verileri sınıflandırmak için rastgele karar ormanları veya destek vektör makineleri oluşturmak gibi sinir ağlarını içermeyen makine öğrenimi algoritmalarına da uygulanabilir. Bu alanlardaki araştırmalar, projelerine autoML tekniklerini dahil etmek isteyen kişiler için halihazırda mevcut olan birçok kodlama kitaplığı ile daha da ilerlemektedir.

Konferans düzenleyicisi Hutter, bir sonraki adımın belirsizliği ölçmek ve algoritmalardaki güvenilirlik ve adalet sorularını ele almak için autoML kullanmak olduğunu söylüyor. Bu vizyonda, güvenilirlik ve adaletle ilgili standartlar, doğruluk gibi diğer makine öğrenimi kısıtlamalarına benzer olacaktır. Ve autoML, bu algoritmalarda bulunan önyargıları, yayınlanmadan önce yakalayabilir ve otomatik olarak düzeltebilir.

Arama devam ediyor

Ancak derin öğrenme gibi bir şey için autoML’nin daha kat etmesi gereken uzun bir yol var. Görüntüler, belgeler ve kaydedilmiş konuşma gibi derin öğrenme modellerini eğitmek için kullanılan veriler genellikle yoğun ve karmaşıktır. Başa çıkmak için muazzam bir hesaplama gücü gerekiyor. Bu modelleri eğitmek için harcanan zaman ve maliyet, özel şirketlerde çalışan araştırmacılar dışında herkes için engelleyici olabilir.

Konferanstaki yarışmalardan biri, katılımcılardan sinir mimarisi araştırması için enerji verimli alternatif algoritmalar geliştirmelerini istedi. Bu önemli bir zorluk çünkü bu tekniğin meşhur hesaplama talepleri var. Araştırmacıların uygulamaları için doğru olanı seçmelerine yardımcı olmak için sayısız derin öğrenme modeli arasında otomatik olarak geçiş yapar, ancak süreç aylar alabilir ve bir milyon dolardan fazlaya mal olabilir.

Sıfır maliyetli sinir mimarisi arama proxy’leri olarak adlandırılan bu alternatif algoritmaların amacı, hesaplama iştahını önemli ölçüde azaltarak sinir mimarisi aramasını daha erişilebilir ve çevre dostu hale getirmektir. Sonucun çalışması aylar yerine yalnızca birkaç saniye sürer. Bu teknikler hala geliştirmenin ilk aşamalarındadır ve genellikle güvenilmezdir, ancak makine öğrenimi araştırmacıları tahmin model seçim sürecini çok daha verimli hale getirme potansiyeline sahip olduklarını.



Kaynak : https://www.technologyreview.com/2022/08/05/1056814/automation-ai-machine-learning-automl/

Yorum yapın