Makine öğrenimi (ML) algoritmalarının, görüntü, ses ve metin sınıflandırma görevleri dahil olmak üzere çeşitli gerçek dünya sorunlarının üstesinden gelmek için oldukça değerli hesaplama araçları olduğu kanıtlanmıştır. Dünya çapındaki bilgisayar bilimcileri; her gün bu algoritmalardan daha fazlasını geliştiriyor. Bu nedenle, bunların izini sürmek ve geçmişte tanıtılanları hızla bulmak veya bunlara erişmek giderek daha zor hale geliyor.
Purdue Üniversitesi ve Cincinnati Üniversitesi’ndeki araştırmacılar; kısa süre önce bilgisayar bilimcilerinin ve geliştiricilerin mevcut makine öğrenimi modellerine göz atmalarına ve kendi algoritmalarını eğitmelerine veya değerlendirmelerine yardımcı olabilecek ve böylece araştırma ve geliştirme çabalarına yardımcı olabilecek bir platform olan HAMLET’i yarattı. ArXiv’de önceden yayınlanan bir makalede sunulan bu platform; çalışmanın sonucunda, dünya çapında geliştirilen makine öğrenimi modellerini demokratikleştirerek araştırma ekiplerinin modellerini birbirleriyle paylaşmasına olanak tanıyabilir.
Araştırmacı Ahmad Esmaeili: “Makine öğrenimi algoritmalarını ve veri setlerini organize etmek ve takip etmek, bizim için ve alandaki diğer birçok araştırmacı için her zaman büyük bir zorluk olmuştur. Makine öğrenimi çözümlerinin ve bileşenlerinin sayısı zaman içinde ve bir projeden diğerine artmaya devam ettiğinde bu daha da kritik hale geliyor. HAMLET’i geliştirirken, yalnızca mevcut makine öğrenimi katkılarını yönetmekle kalmayıp, bu ihtiyaçları karşılayan bir platform oluşturmaya çalıştık. Ancak aynı zamanda bu kaynaklara etkin bir şekilde erişme, karşılaştırma ve değerlendirme gibi eylemleri de kolaylaştırıyor. “
Hiyerarşik Ajan Tabanlı Makine Öğrenimi platformu (Hierarchical Agent-based Machine LEarning plaTform) anlamına gelen HAMLET; büyük bir makine öğrenimi algoritması grubunu, ilgili kaynakları (ör. Veri kümeleri) ve makine öğrenimi modellerinin tamamlamak üzere eğitildiği görevleri “yönetmek” için eğitilmiş bir grup yapay zeka aracısından oluşur. Araştırmacılar, temsil ettikleri algoritmalara, verilere veya göreve dayalı olarak bir hiyerarşinin farklı seviyelerinde düzenlenmiş platformu “yöneten” yapay ajanların becerilerini tanımladılar.
Araştırmacı Esmaeili: “HAMLET platformu boş bir yapıyla başlar ve zaman içinde yeni makine öğrenimi kaynaklarının / sorgularının tanıtılmasıyla otonom bir şekilde büyümeye devam eder. Çok aracılı sistemlere dayalı olan HAMLET; bir bilgisayar ve cihaz ağı üzerinden dağıtılabilir. Bu nedenle, barındırabileceği algoritmaların / verilerin boyutu ve türü konusunda herhangi bir sınırlama yoktur.”
HAMLET platformu, kullanıcı dostu bir arayüze ve esnek sorgu yapısına sahiptir. Araştırmacılar, algoritmalarını hem bireysel hem de toplu olarak eğitmek ve test etmek gibi çeşitli görevleri gerçekleştirmek için kullanabilir.
Esmaeili ve meslektaşları; etkinliğini test etmek için SPADE (Smart Python Ajan Geliştirme Ortamı) ile geliştirilen simüle edilmiş bir ortamda 120 eğitim ve dört toplu test görevini tamamlamak için kullandı. Yapay zeka aracılarını eğitmek için dokuz ünlü veri kümesini kullanarak 24 ML algoritmasını tekrar tekrar test ettiler ve eğittiler. Deneylerinin sonuçları, HAMLET’in makine öğrenimi algoritmalarını eğitmek ve test etmek için oldukça umut verici ve kullanışlı bir araç olduğunu gösteriyor.
Araştırmacı Esmaeili: “Makine öğrenimi yaklaşımlarının giderek yaygınlaştığına şüphe yok… HAMLET, ML çözümlerinin demokratikleşmesini kolaylaştırır ve coğrafi konumlarına bakılmaksızın ML araştırma topluluklarının yöntemlerini ve kaynaklarını kolayca paylaşmalarına ve takip etmelerine yardımcı olur.”
Gelecekte, Esmaeili ve meslektaşları tarafından oluşturulan platform; dünya çapındaki araştırmacılar tarafından birden çok veri kümesinde yeni makine öğrenimi algoritmaları eğitmek, belirli amaçlar için mevcut modelleri belirlemek veya yeni algoritmaları değerlendirmek ve bunların performansını diğer mevcut olanlarla karşılaştırmak için kullanılabilir. HAMLET üzerinde, tüm bu görevler tek bir sorgu ile kolayca tamamlanabilir.
Araştırmacı Esmaeili: “Bu proje henüz emekleme aşamasında ve mevcut araştırma ve endüstriyel ihtiyaçları daha iyi karşılamasını sağlamak için birçok yönden iyileştirilebilir. Bundan sonraki çalışmalarımızda, daha gelişmiş algoritmaları, platformun arızalara karşı hayatta kalmasını, birden çok platformu birleştirmeyi ve verilere / algoritmalara erişimin gizliliğini desteklemeye devam etmeyi planlıyoruz.”
