Eigen RadarYapay Zekâ
Arşiv
Analiz

SageMaker, özel eğitim döngülerini yönetilen GPU altyapısına taşıyor

AWS, SageMaker AI içindeki eğitim oturumlarını genel kullanıma açtı. Geliştiriciler modelin yanıt üretmesini, puan almasını ve ağırlıklarını güncellemesini yönlendirirken hesaplama altyapısını hizmet yönetiyor. Çok adımlı eylemci görevlerinde başarı ölçütlerini ekipler belirliyor. Böylece özel öğrenme yöntemlerini denemek için alttaki grafik işlem birimlerini kendilerinin işletmesi gerekmiyor.

Yapay Zekâ··Sabah
Bir veri merkezi koridorunda, uzak plandaki görevli açık bir ekipman rafını inceliyor; GPU sunucu sıraları koridor boyunca uzanıyor.

Öğrenme adımlarını geliştirici belirliyor

Amazon’un bulut bilişim birimi AWS, SageMaker AI içindeki eğitim oturumlarını 22 Ekim’de genel kullanıma açtı. Ekipler öğrenme döngülerini, hata işlevlerini ve ödül ölçütlerini kendileri belirliyor. Grafik işlem birimlerinin ayrılması, dağıtık çalıştırma, arızadan sonra toparlanma ve eğitim durumunun kaydedilmesini hizmet üstleniyor. Böylece modelin nasıl öğreneceğini belirleme işi geliştiricide, hesaplama altyapısını işletme işi AWS’de kalıyor. Amaç, mevcut bir modeli ekibin kendi görevleri için uyarlamak.[1], [2]

Müşterinin kodu kendi ortamında çalışıyor ve bir eylemciyi araçlara ya da benzetim ortamlarına bağlıyor. Hizmet tarafındaki örnekleyici yanıt üretiyor; eğitici ise hata eğimlerini hesaplayıp modelin ağırlıklarını güncelliyor. Geliştirici bu ayrı işlemlerin sırasını yönetiyor. Üretilen davranışın nasıl değerlendirileceğini ve hangi işaretlerin öğrenmeye temel olacağını da kendi görevine göre tanımlıyor. Hesaplamanın yönetilen altyapıya taşınması bu kararları müşteriden almıyor.[1]

Ödül birkaç eylemin ardından hesaplanabiliyor

AWS’nin pekiştirmeli öğrenme örneğinde model aynı isteme birkaç yanıt üretiyor. Müşterinin doğrulayıcısı veya ödül işlevi bu yanıtları puanlıyor ve sonuçları eğiticiye gönderiyor. Güncellemenin ardından örnekleyici yeni ağırlıkları alarak sonraki gruba geçiyor. Araç kullanımı ya da birkaç konuşma turu gerektiren görevlerde başarı, ilk yanıttan daha sonra anlaşılabiliyor. Oturumlar bu görevlerde puanın ne zaman hesaplanacağına geliştiricinin karar vermesine olanak tanıyor.[1]

AWS, ücretlendirmeyi hizmetin işlediği metin parçaları üzerinden yaptığını belirtiyor. Müşterinin ortamı bir yanıt grubunu puanlarken oturumun sayacı duruyor. Duyuru her iş yükünde belirli bir tasarruf veya görev başarısında artış ortaya koymuyor. Başarılı davranışın ne olduğuna karar vermek ve uyarlanan modeli uygulamaya almadan önce değerlendirmek ekibin işi olarak sürüyor. Yönetilen eğitim altyapısı bu değerlendirme aşamasını üstlenmiyor.[1]

Veriler müşterinin depolama alanında kalıyor

Oturumlar, müşterinin oluşturduğu erişim yönetimi rolüyle çalışıyor. Müşteri kendi şifreleme anahtarını ve özel ağ ayarlarını ekleyebiliyor. Veriler ile eğitimin kaldığı noktayı saklayan kayıtlar, seçilen bölgedeki S3 depolama alanında tutuluyor. AWS, müşteri verilerini veya uyarlanmış model ağırlıklarını başka bir modeli eğitmek için kullanmadığını söylüyor. Açılış malzemeleri desteklenen modelleri ve örnek yöntemleri sıralıyor; doğruluk, yanlılık ve güvenlik değerlendirmesi müşterinin çalışma sürecinde kalıyor.[1]

Kaynakça

  1. Haber kaynağıAWSSageMaker eğitim oturumları, özel öğrenme döngüsünü yönetilen GPU altyapısına bağlıyor↩1↩2↩3↩4↩5
  2. Haber kaynağıVentureBeatSageMaker özel model eğitimi için eğitim oturumlarını açtı↩
YZ güvenliği ve regülasyonSınır modeli yarışı

Aynı masadan diğer analizler

Yapay Zekâ masasındaki tüm Gündem analizlerini görüntüle →