IA y modelos
Adaption lanza AutoScientist para el ajuste fino automatizado de IA
Adaption ha lanzado AutoScientist, una herramienta diseñada para automatizar el ajuste fino de modelos de IA, con el objetivo de permitir un entrenamiento exitoso de IA de nivel frontera fuera de los grandes laboratorios de investigación.
El miércoles, la empresa de investigación de IA Adaption presentó AutoScientist, una nueva herramienta diseñada para automatizar el proceso convencional de ajuste fino. El ajuste fino es el proceso de tomar un modelo de IA preentrenado y entrenarlo adicionalmente con un conjunto de datos específico para ayudarlo a aprender capacidades más rápidamente. Según Sara Hooker, cofundadora y CEO de Adaption y exvicepresidenta de investigación de IA en Cohere, la herramienta representa un cambio en la forma en que los modelos adquieren habilidades. Hooker señaló que la herramienta es emocionante porque cooptimiza tanto los datos como el modelo para aprender la mejor manera de adquirir cualquier capacidad, permitiendo que el sistema se adapte a tareas específicas sobre la marcha.
La nueva herramienta se basa en el producto de datos existente de Adaption, Adaptive Data, que tiene como objetivo facilitar la creación de conjuntos de datos a lo largo del tiempo. Mientras que Adaptive Data se centra en el desarrollo de conjuntos de datos, AutoScientist está diseñado para convertir esos conjuntos de datos en constante mejora en modelos de IA que también mejoran continuamente. Hooker explicó que la visión de Adaption es que toda la pila tecnológica debería ser completamente adaptable y optimizarse sobre la marcha para cualquier tarea determinada. Debido a que Adaption confía en que los usuarios verán la diferencia una vez que prueben AutoScientist, el laboratorio ofrece la herramienta de forma gratuita durante los primeros 30 días tras su lanzamiento.
Adaption afirma que AutoScientist ha más que duplicado las tasas de éxito en diferentes modelos. Sin embargo, evaluar estas mejoras utilizando métricas estándar de la industria es difícil. Debido a que el sistema está diseñado para adaptar modelos a tareas específicas, los benchmarks convencionales no son aplicables. Estos incluyen SWE-Bench, que es un benchmark estándar de la industria para evaluar modelos de IA en tareas de ingeniería de software, y ARC-AGI, que evalúa modelos en tareas de inteligencia general.
A pesar de la falta de compatibilidad con benchmarks tradicionales, Adaption espera que la herramienta reduzca las barreras para el entrenamiento de IA de nivel frontera. Hooker comparó el potencial de la herramienta con la forma en que la generación de código desbloqueó diversas tareas, señalando que desbloqueará la innovación en la frontera de diferentes campos. «Sugiere que finalmente podemos permitir entrenamientos exitosos de IA de nivel frontera fuera de estos laboratorios», dijo Hooker, cofundadora y CEO de Adaption. Al automatizar el proceso de optimización, la empresa cree que la herramienta podría permitir que el entrenamiento exitoso de IA de nivel frontera —refiriéndose a modelos avanzados y de vanguardia— ocurra fuera de los principales laboratorios de IA.
Por qué importa
La herramienta representa un cambio potencial hacia hacer que el entrenamiento de IA de nivel frontera sea accesible más allá de los laboratorios más grandes y mejor financiados, al automatizar la cooptimización de datos y modelos.