‏AutoScientist: ابزاری که فاین‌تیونینگ مدل‌های AI رو خودکار می‌کنه

Adaption، یکی از نسل جدید استارتاپ‌های تحقیقاتی هوش مصنوعی، روز چهارشنبه ابزاری به نام AutoScientist رو رونمایی کرد. این ابزار یک رویکرد خودکار به فاین‌تیونینگ (fine-tuning) ارائه می‌ده — فرایندی که طی اون یک مدل از پیش آموزش‌دیده برای یک کار یا حوزه‌ی خاص تخصصی‌تر می‌شه. هدف اینه که مدل‌ها بتونن قابلیت‌های جدید رو سریع‌تر و بهتر از روش‌های معمول یاد بگیرن.

سارا هوکر، هم‌بنیان‌گذار و مدیرعامل Adaption که پیش‌تر معاون تحقیقات هوش مصنوعی در Cohere بوده، توضیح می‌ده که AutoScientist هم‌زمان هم داده و هم مدل رو بهینه می‌کنه. این تفاوت اصلیشه با رویکردهای سنتی که معمولاً یا روی داده تمرکز دارن یا روی معماری مدل، نه هر دو با هم.

AutoScientist روی زیرساخت داده‌ای قبلی این شرکت به اسم Adaptive Data بنا شده؛ ابزاری که ساخت دیتاست‌های باکیفیت رو در طول زمان آسون‌تر می‌کنه. ترکیب این دو به این معناست که با بهتر شدن داده‌ها، مدل هم مدام بهتر می‌شه — یک چرخه‌ی بهبود پیوسته.

ادعای اصلی Adaption اینه که AutoScientist نرخ برد مدل‌ها رو در کارهای مختلف بیش از دو برابر کرده. البته چون این سیستم برای تطبیق مدل با کارهای خاص طراحی شده، معیارهای استاندارد مثل SWE-Bench یا ARC-AGI برای سنجیدنش مناسب نیستن و تأیید مستقل این اعداد دشواره.

شاید مهم‌ترین جنبه‌ی این ابزار، پتانسیلش برای دموکراتیزه کردن آموزش مدل‌های پیشرفته باشه. هوکر می‌گه که این تکنولوژی می‌تونه فرایند آموزش مدل‌های سطح فرانتیر (frontier) رو از انحصار لب‌های بزرگ دربیاره و در اختیار تیم‌های کوچک‌تر هم بذاره.

Adaption برای اینکه کاربران خودشون نتیجه رو ببینن، AutoScientist رو ۳۰ روز اول پس از انتشار رایگان در دسترس گذاشته.

نکات کلیدی:

• AutoScientist رویکردی خودکار به فاین‌تیونینگ مدل‌های AI ارائه می‌ده
• هم‌زمان داده و مدل رو بهینه می‌کنه — نه یکی از این دو
• روی زیرساخت Adaptive Data بنا شده و چرخه‌ی بهبود پیوسته ایجاد می‌کنه
• هدف: کاهش انحصار لب‌های بزرگ در آموزش مدل‌های پیشرفته
• ۳۰ روز اول استفاده رایگانه