Alat TF-Coder Google Mengotomatiskan Mesin Desain Model Pembelajaran – Para peneliti di Google Brain, salah satu divisi penelitian AI Google, mengembangkan alat otomatis untuk pemrograman dalam kerangka pembelajaran mesin seperti TensorFlow. Mereka mengatakan itu mencapai kinerja yang lebih baik daripada manusia pada beberapa tugas pengembangan yang menantang, mengambil detik untuk memecahkan masalah yang membuat pemrogram manusia menit ke jam.

Teknik AI yang muncul telah menghasilkan terobosan di seluruh visi komputer, pemrosesan audio, pemrosesan bahasa alami, dan robotika. Memainkan peran penting adalah kerangka pembelajaran mesin seperti TensorFlow, Facebook’s PyTorch, dan MXNet, yang memungkinkan para peneliti untuk mengembangkan dan memperbaiki model-model baru. Tetapi sementara kerangka kerja ini telah meringankan iterasi dan pelatihan model AI, mereka memiliki kurva pembelajaran yang curam karena paradigma komputasi lebih dari tensor sangat berbeda dari pemrograman tradisional. (Tensor adalah objek aljabar yang menggambarkan hubungan antara set hal-hal yang berkaitan dengan ruang vektor, dan mereka adalah format data yang mudah digunakan dalam pembelajaran mesin.) Kebanyakan model memerlukan berbagai manipulasi tensor untuk pemrosesan atau pembersihan data, fungsi kehilangan kustom, dan metrik akurasi. yang harus dilaksanakan dalam batasan kerangka kerja.

Alat TF-Coder Google Mengotomatiskan Mesin Desain Model Pembelajaran

Alat TF-Coder Google Mengotomatiskan Mesin Desain Model Pembelajaran

Alat TF-Coder para peneliti bertujuan untuk mensintesis program manipulasi tensor dari contoh input dan output dan deskripsi bahasa alami. Berat per-operasi memungkinkan TF-Coder untuk menghitung lebih dari ekspresi TensorFlow dalam rangka meningkatkan kompleksitas, sementara sistem penyaringan berbasis tipe dan nilai menangani kendala yang diberlakukan oleh perpustakaan TensorFlow. Kerangka kerja terpisah menggabungkan prediksi dari beberapa model pembelajaran mesin independen yang memilih operasi untuk diprioritaskan selama pencarian operasi, dikondisikan pada fitur dari input dan output tensor dan deskripsi bahasa alami dari suatu tugas. Ini membantu menyesuaikan pencarian agar sesuai dengan tugas sintesis tertentu yang ada.

TF-Coder mempertimbangkan 134 operasi manipulasi tensor dari 500 di TensorFlow termasuk membentuk kembali, filter, agregasi, peta, pengindeksan, pengirisan, pengelompokan, pengurutan, dan operasi matematika. Ia mampu menangani masalah yang melibatkan komposisi empat atau lima operasi berbeda dan struktur data dari 10 komponen atau lebih, yang memiliki sedikit ruang untuk kesalahan karena bentuk dan tipe data harus kompatibel secara keseluruhan.

Penulis bersama mengatakan bahwa dalam percobaan, TF-Coder mencapai kinerja “manusia super” pada berbagai masalah nyata dari situs tanya-jawab StackOverflow. Dievaluasi pada 70 tugas transformasi tensor dunia nyata dari StackOverflow dan dari lingkungan produksi, TF-Coder berhasil mensintesis solusi menjadi 63 tugas dalam rata-rata 17 detik dan menghasilkan waktu sintesis yang lebih cepat secara signifikan (rata-rata 35,4% lebih cepat) dibandingkan dengan yang tidak menggunakan model. Hebatnya, TF-Coder juga menghasilkan solusi yang menurut rekan penulis “lebih sederhana” dan “lebih elegan” daripada yang ditulis oleh para ahli TensorFlow – dua solusi membutuhkan operasi yang lebih sedikit daripada solusi tulisan tangan terbaik.

“Kami percaya bahwa TF-Coder dapat membantu pemula pembelajaran mesin dan praktisi berpengalaman dalam menulis program transformasi tensor rumit yang umum dalam pipa pembelajaran dalam,” rekan penulis menulis makalah pracetak yang menggambarkan TF-Coder. “Mungkin pelajaran paling penting yang dapat dipetik dari karya ini adalah fakta bahwa pencarian enumeratif yang dioptimalkan dengan baik dapat berhasil memecahkan masalah manipulasi tensor dunia nyata dalam hitungan detik, bahkan pada masalah yang sulit dipecahkan oleh programmer manusia dalam hitungan menit.”

Leave a comment

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Hallo Ada Yang Bisa Kami Bantu?