Multimodaalinen syväoppiminen alle 15 koodirivillä

Sponsoroidut Post

Multimodaalisten mallien rakentamisen haasteet tyhjästä

 
Monissa koneoppimisen käyttötapauksissa organisaatiot luottavat yksinomaan taulukkotietoihin ja puupohjaisiin malleihin, kuten XGBoost ja LightGBM. Tämä johtuu siitä, että syvä oppiminen on yksinkertaisesti liian vaikeaa useimmille ML-joukkueille. Yleisiä haasteita ovat mm.

• Monimutkaisten syväoppimismallien kehittämiseen tarvittavan asiantuntijatiedon puute
• Kehykset, kuten PyTorch ja Tensorflow, vaativat tiimejä kirjoittamaan tuhansia rivejä koodia, joka on altis inhimillisille virheille
• Hajautettujen DL-putkien kouluttaminen vaatii syvää infrastruktuurin tuntemusta ja mallien kouluttamiseen voi mennä viikkoja

Tämän seurauksena tiimit menettävät arvokkaita signaaleja, jotka ovat piilossa strukturoimattoman datan, kuten tekstin ja kuvien, sisällä.

Nopea mallikehitys deklaratiivisilla järjestelmillä

 
Uudet deklaratiiviset koneoppimisjärjestelmät – kuten avoimen lähdekoodin Ludwig aloitti Uberissa – tarjoavat matalan koodin automatisoimaan ML:ää, jonka avulla tietotiimit voivat rakentaa ja ottaa käyttöön huippuluokan malleja nopeammin yksinkertaisen määritystiedoston avulla. Erityisesti Predibase – johtava matalan koodin deklaratiivinen ML-alusta – yhdessä Ludwigin kanssa helpottaa multimodaalisten syväoppimismallien rakentamista alle 15 koodiriville.

Opi rakentamaan multimodaalinen malli deklaratiivisella ML:llä

 
Liity tulevaan webinaariimme ja live-opetusohjelma oppiaksesi Ludwigin kaltaisista deklaratiivisista järjestelmistä ja seuraamalla vaiheittaisia ​​ohjeita multimodaalisen asiakasarvostelun ennustusmallin rakentamiseen, jossa hyödynnetään tekstiä ja taulukkotietoja. 

Tässä istunnossa opit kuinka:

• Kouluta, iteroi ja ota nopeasti käyttöön multimodaalinen malli asiakkaiden arvostelujen ennustamiseen,
• Käytä matalan koodin deklaratiivisia ML-työkaluja vähentääksesi dramaattisesti useiden ML-mallien luomiseen kuluvaa aikaa,
• Hyödynnä strukturoimatonta dataa yhtä helposti kuin strukturoitua dataa avoimen lähdekoodin Ludwigilla ja Predibasella

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
• Lähde: https://www.kdnuggets.com/2023/01/predibase-multi-modal-deep-learning-less-15-lines-code.html?utm_source=rss&utm_medium=rss&utm_campaign=multi-modal-deep-learning-in-less-than-15-lines-of-code