LG lanceert AI-tool Auptimizer als open source oplossing

Stay tuned, abonneer!

LG heeft een tool ontwikkeld waarmee AI-modellen geoptimaliseerd kunnen worden. De tool is bedoeld voor ondersteuning bij het sleutelen aan AI-modellen en het organiseren van data.    

De tool is beschikbaar op GitHub. In een paper, waarin het team van LG hun ontwikkeling beschreef, maakte het bedrijf bekend dat de tool het produceren van een aantal modellen met verschillende configuraties simplificeert. Specifiek gaat het om hyperparameter-modellen, waarbij de waarden van parameters van modellen al vast staan voordat het model wordt getraind. Vervolgens worden de waarden wel geoptimaliseerd door de modellen te trainen.

Auptimizer gebruikt een gradient-based architecture search, daarmee genereert een controller reeksen van “child models”. Deze modellen worden vervolgens getoetst op hun accuratesse, waarna architecturen met een hogere accuratesse eruit worden gepikt.

Gebruiksvriendelijkheid

De tool is volgens VentureBeat makkelijk in het gebruik, omdat Auptimizer maar een paar regels code nodig heeft. Ook worden gebruikers stap voor stap door de set-up van configuraties geleid. Verder kunnen gebruikers switchen tussen verschillende hyperparameter-algoritmen en computing resources, zonder dat er training-scripts hoeven worden te herschreven.

De tool controleert doorlopend de beschikbare resources en voorstellen voor hyperparameters. Ook voert het de taken uit om het beste model te identificeren uit een groep. Nadat een workload is voltooid, start Auptimizer een functie die de resultaten vastlegt en opslaat.

Als het gaat om zeer geavanceerde algoritmes, waarbij de scores moeten worden gematcht met specifieke input-hyperparameters, voert Auptimizer automatisch de mapping uit. Ook worden de hyperparameterwaarden opgeslagen in een bestand, zodat ze kunnen worden hergebruikt bij bepaalde taken. Ondertussen worden de ondersteunende data vastgelegd, zodat die kunnen worden gebruikt voor verdere taken, zoals nog diepere verfijning van bepaalde modellen (fine-tuning).

Tot slot kunnen gebruikers als dat nodig is de resources specificeren die moeten worden gebruikt bij testconfiguraties. Denk bijvoorbeeld aan processors, grafische chips, nodes en cloud-instances zoals Amazon Web Services EC2. Auptimizer is verder compatibel met bestaande resource management tools zoals Boto 3.