AWS wil deep learning democratiseren met AutoGluon

AWS heeft de lancering aangekondigd van AutoGluon, een open sourcebibliotheek voor ontwikkelaars die toepassingen bouwen met machine learning met beeld-, tekst- of tabeldatasets. Met AutoGluon kunnen ontwikkelaars de kracht van deep learning gebruiken voor het bouwen van applicaties door slechts een paar regels code te schrijven.

AWS heeft AutoGluon ontwikkeld om machine learning te democratiseren en de kracht van deep learning beschikbaar te maken voor alle ontwikkelaars, zegt Jonas Mueller van AWS. Deep learning experts en ontwikkelaars moeten nog steeds worstelen met veel omslachtige problemen, waaronder hyperparameter tuning, data pre-processing, zoeken naar neurale architectuur en beslissingen met betrekking tot het gebruik van transfer learning.

Krachtig neuraal netwerkmodel
Hyperparameters vertegenwoordigen het aanzienlijke aantal keuzes dat ontwikkelaars moeten maken bij het bouwen van een neuraal netwerk. Deze omvatten selecties zoals het aantal lagen in het neurale netwerk, hoe deze lagen moeten worden verbonden en hoe het netwerk moet worden getraind. Data pre-processing, waarbij de gegevens correct worden geclassificeerd en vectoren worden geformatteerd, kan ook een zeer omslachtig proces zijn. Zoeken naar neurale architectuur omvat het automatiseren van architectuurtechniek, waardoor ontwikkelaars het beste ontwerp voor hun machine learning-modellen kunnen vinden. Al deze beslissingen vereisen aanzienlijke expertise en vormen obstakels om diep leren toegankelijker te maken.

AutoGluon automatiseert veel van deze beslissingen, zodat ontwikkelaars een krachtig neuraal netwerkmodel kunnen produceren met slechts drie coderegels. Er is geen noodzaak voor ontwikkelaars om handmatig te experimenteren met de honderden individuele keuzes die moeten worden gemaakt tijdens het ontwerp van een deep learning model. In plaats daarvan kunnen ze aangeven wanneer het getrainde model klaar moet zijn. Als reactie hierop maakt AutoGluon gebruik van de beschikbare rekenbronnen om het sterkste model te vinden binnen de toegewezen rekentijd.

Default ranges
"Vanwege de inherent ondoorzichtige aard van deep learning zijn veel van de keuzes die door deep learning experts worden gemaakt, gebaseerd op ad hoc intuïtie, in plaats van een rigoureus wetenschappelijk inzicht in hoe individuele keuzes de gewenste resultaten beïnvloeden," zegt Mueller. "AutoGluon lost dit probleem op, omdat alle keuzes automatisch worden afgestemd binnen default ranges waarvan bekend is dat ze goed presteren voor de specifieke taak en het model."

AutoGluon GitHub