Техникалық эксперимент аясында Nvidia әсерлі нәтиже көрсетті: Cosmos 3 Nano моделінің төрт жауап нұсқасы бар тесттегі дәлдігі 24 сағат ішінде 54,41%-дан 93,35%-ға дейін өсті. Негізгі ерекшелігі – оқытудың барлық кезеңдері TAO құралдар экожүйесінде алдын ала берілген нұсқаулар бойынша әрекет еткен Codex жасанды интеллект агентімен орындалды.
Эксперимент Woven by Toyota компаниясының мамандандырылған Woven Traffic Safety деректер жиынтығында жүргізілді, ол жол жағдайларының бейнежазбалары мен төрт жауап нұсқасы бар сұрақтарды қамтиды. Оқыту мен валидация үшін 8000-нан астам мысал пайдаланылды.
Қосымша бейімделусіз Cosmos 3 Nano моделі дұрыс жауаптардың тек 54,41%-ын көрсетті. Әзірлеушілер Codex агентіне базалық өнімділікті бағалауды және төмен рангті бейімдеу (LoRA) әдісін қолдана отырып, жұқа баптауды жүргізуді тапсырды. Агент өз бетінше қолайлы Cosmos-reason нұсқауын таңдады, деректер жиынтығының аннотацияларын талдады және кадр жиілігінің жоқ параметрін анықтады. Конфигурацияны түзеткеннен кейін ол модель салмағын жүктеді, параметрлерді дайындады және оқыту контейнерін іске қосты.
LoRA әдісі толық оқытудан айырмашылығы, модельдің барлық параметрлерін өзгертпейді, керісінше шағын қосымша адаптерлерді үйретеді. Nvidia есептеулері бойынша, бұл тәсіл Cosmos 3 Nano-ны толық баптауға қарағанда шамамен жеті есе аз GPU-сағатын қажет етті. 80 ГБ жады бар сегіз NVIDIA A100 үдеткішінде LoRA-ның бір іске қосылуы шамамен 30 минутқа созылып, дәлдікті 87,14%-ға дейін арттырды.
Екінші кезеңде әзірлеушілер гиперпараметрлерді: оқыту жылдамдығын, пакет өлшемін және LoRA параметрлерін автоматты түрде таңдау үшін TAO AutoML іске қосты. Жүйе 43 параллель сынақ жүргізді, ал Байес оңтайландыруымен ең жақсы нәтиже 93,35%-ға жетті. Бұл кезең Oracle Cloud Infrastructure-те бірнеше A100 түйінінде 19,5 сағатқа созылды.
Codex агенті нәтижелерді жай талдап қана қоймай, жұмыс процесін таңдап, деректерді тексеріп, конфигурацияларды түзетіп, контейнерлерді іске қосып, метрикаларды салыстырғанын атап өту маңызды. Оның автономдылығы алдын ала дайындалған нұсқаулармен шектелгенімен, мұндай автоматтандыру деңгейі жасанды интеллект модельдерін жұқа баптауды масштабтау үшін жаңа көкжиектер ашады.
Дегенмен, 93,35% көрсеткіші бір зерттеу деректер жиынтығының тексеру бөлігіндегі дәлдікті көрсететінін атап өткен жөн. Ол автономды жүргізу қауіпсіздігінің өлшемі емес және модельдің нақты уақытта шешім қабылдау қабілетін растамайды. Бұл тек оқытудың автоматтандырылған тәсілінің тиімділігін көрсету.
Бұған дейін Nvidia, Carnegie Mellon University және Берклидегі Калифорния университетінің зерттеушілері ENPIRE фреймворкін ұсынды, ол бағдарламалауға арналған жасанды интеллект агенттеріне нақты жабдықта роботтарды басқару саясатын жақсартуға мүмкіндік береді.
Аналитикалық түсініктеме: Бұл эксперимент – ірі модельдерді жұқа баптауды демократияландырудағы маңызды қадам. Бұрын терең білім мен инженерлердің қол еңбегін қажет ететін процестерді автоматтандыру жасанды интеллектті автономды жүргізу сияқты мамандандырылған салаларға енгізуді айтарлықтай жеделдетуі мүмкін. Дегенмен, негізгі сын-қатер мұндай нәтижелердің нақты, бақыланбайтын сценарийлерге жалпылануы болып қалады.