Machine Learning: Googles Model Search sucht nach optimalen ML-Modellen

Google hat eine Open-Source-Plattform namens Model Search vorgestellt. Das domänenunabhängige Framework soll Forschern helfen, Machine-Learning-Modelle effizient und automatisiert zu entwickeln.

Model Search ist domänenunabhängig und darauf ausgelegt, die passende Architektur für einen gegebenen Datensatz oder ein gegebenes Problem zu finden. Dabei soll es die Codingszeit sowie den Aufwand und die Rechenressourcen so gering wie möglich halten. Model Search baut auf dem Machine-Learning-Framework TensorFlow auf und kann entweder auf einer einzelnen Maschine oder in einem verteilten Setting laufen.

Ein Blick unter die Haube

Googles Open-Source-Plattform setzt sich aus mehreren Trainerprozessen, einem Suchalgorithmus, einem Transfer-Learning-Algorithmus und einer Datenbank zum Speichern der evaluierten Modelle zusammen. Es führt die Trainings- und Evaluierungsexperimente für KI-Modelle auf adaptive und asynchrone Weise durch. Das bedeutet, dass alle Trainerprozesse die Ergebnisse aus ihren Experimenten mit anderen Trainern teilen, während sie jedes Experiment unabhängig voneinander durchführen. Ein Zyklus beginnt mit der Sichtung aller abgeschlossenen Experimente durch den Suchalgorithmus, der dann entscheidet, was als Nächstes versucht werden soll. Im Anschluss ruft er die Mutation über eine der besten bisher gefundenen Architekturen auf und weist das resultierende Modell wieder einem Trainer zu.

Nach einem Modellsuchlauf können Benutzer die bei der Suche gefundenen Modelle miteinander vergleichen. Darüber hinaus erhalten sie die Möglichkeit, ihren eigenen Suchraum zu erstellen, um die Architekturelemente in ihren Modellen anzupassen. Nähere Informationen finden sich im Beitrag auf dem Google-AI-Blog.

(mdo)