Amazon AutoGluon создает ML-модели за 3 строчки кода

Amazon представила библиотеку AutoGluon, которая позволяет разработчикам создавать приложения на базе искусственного интеллекта, а все усилия сводятся к трём строкам кода, пишет Dev.by.

Открытая библиотека AutoGluon автоматизирует такие операции, как настройка гиперпараметров и поиск нейронной архитектуры, которые обычно выполняются вручную.

По словам создателей, чтобы получить готовую модель с помощью AutoGluon, разработчикам потребуется написать всего три строчки кода. А ещё указать, к какому сроку инструмент должен выдать обученную модель — AutoGluon распределит имеющиеся вычислительные мощности так, чтобы за отведённое время найти наиболее эффективную модель.

AutoGluon построен на основе ML-библиотеки Gluon для создания моделей из набора готовых оптимизированных элементов. Он работает с табличными данными, изображениями и текстом; выполняет задачи классификации и регрессии, а также более сложные, например распознавание объектов.

«Мы разработали AutoGluon, чтобы по-настоящему демократизировать машинное обучение и сделать мощь глубокого обучения доступной для всех разработчиков», — говорит ученый AWS Йонас Мюллер. «AutoGluon решает эту проблему, поскольку все варианты автоматически настраиваются в пределах тех диапазонов, которые хорошо работают для конкретной задачи и модели».

AutoGluon совместим в Python 3.6 и 3.7 и пока поддерживает только Linux. На подходе версии для Mac OSX и Windows.

Дебют AutoGluon последовал за крупными обновлениями SageMaker от Amazon Web Services (AWS), инструментария для непрерывного обучения и развертывания моделей машинного обучения в облачных и пограничных средах. AWS SageMaker Studio — это инструмент для обучения моделей и управления рабочим процессом, который собирает весь код и данные для машинного обучения в одном месте, в то время как SageMaker Notebooks позволяет разработчикам быстро открыть блокнот Jupyter для проектов машинного обучения. Также есть SageMaker Autopilot, который автоматизирует создание моделей, автоматически выбирая алгоритмы и настраивая эти модели; SageMaker Experiment, который тестирует и проверяет модели; SageMaker Debugger, который повышает точность моделей; и SageMaker Model Monitor, который обнаруживает смещение концепции.