NVIDIA on julkaisemassa kaksi uutta tekoälytyökalua — NemoClaw ja Hermes Agent — jotka muodostavat yhdessä itseparantavan kehyksen tutkimustyöskentelyyn. Yhtiö kertoo, että yhdistelmä on tarkoitettu tehostamaan tutkimusta ja parantamaan sen turvallisuutta automatisoimalla mallien hiontaa ja vähentämällä manuaalista työtä.
Miten kehys toimii
Kehys perustuu ajatukseen, että tekoälymallit voivat parantaa omaa suorituskykyään kokeiden aikana. Sen sijaan, että tutkijoiden tarvitsisi manuaalisesti säätää parametreja jokaisen kokeen jälkeen, järjestelmä oppii tuloksista ja sopeutuu. Tämä voisi lyhentää aikaa hypoteesin ja johtopäätöksen välillä, erityisesti aloissa, joissa on toistuvia koulutus- ja testausjaksoja.
NVIDIA kutsuu tätä lähestymistapaa itseparantavaksi, mikä tarkoittaa, että ohjelmisto päivittää jatkuvasti omaa toimintaansa uuden datan perusteella. Yhtiö korostaa myös turvallisuutta: tutkimusdata tulisi säilyä suojattuna, vaikka malli iteroisi itseään. Tehokkuus on toinen ilmoitettu tavoite — kehys pyrkii minimoimaan hyödytöntä laskentatehontarvetta.
NemoClaw ja Hermes Agent — kaksi osaa kokonaisuudesta
NVIDIA ei ole julkaissut yksityiskohtaisia teknisiä tietoja kummastakaan työkalusta, mutta NemoClaw ja Hermes Agent toimivat yhdessä. NemoClaw huolehtii ydinprosessoinnista ja datan käsittelystä, kun taas Hermes Agent hallinnoi iteratiivista parantumislooppia. Yhdessä ne tarjoavat putkiston, jonka tutkijat voivat liittää olemassa oleviin projekteihin.
Työkalut kohdistuvat joukkoihin, jotka tarvitsevat mallien säätämisen automatisointia ilman, että kontrolli tai turvallisuus kärsivät. NVIDIA kuvaa niitä infrastruktuurikerroksena laboratorioille, jotka suorittavat korkeataajuisia kokeita herkällä datalla.
Miksi tutkijat voivat olla kiinnostuneita
Itseparantava tekoäly ei ole uusi, mutta sen paketoiminen kehykseen alentaa käyttöönoton esteitä. Tutkimuslaboratoriot, joilla ei ole syvää vahvistetun oppimisen asiantuntemusta, voivat silti hyötyä automatisoidusta optimoinnista. Turvallisuuden painotus on tärkeää sääntelyvaativissa aloissa kuten terveydenhuollossa, rahoituksessa tai puolustuksessa, joissa dataa ei voida siirtää hallitsemattomaan ympäristöön.
Tehokkuus on myös tärkeää. Suurten mallien koulutus kuluttaa merkittävästi tehoa ja aikaa. Kehys, joka tuhlaa vähemmän laskentatehoa kuolleille pääteille, voisi alentaa kustannuksia ja nopeuttaa julkaisusyklejä.
Mitä puuttuu
NVIDIA ei ole julkaissut teknistä dokumentaatiota NemoClaw:lle tai Hermes Agent:ille. Tämä tarkoittaa, että tutkijat eivät voi vielä arvioida, miten itseparantava mekanismi toimii, mitkä turvallisuusprotokollat on sisäänrakennettu tai kuinka paljon työkalujen asennus vaatii. Yhtiö ei ole ilmoittanut julkaisupäivämäärää, hintaa tai lisensointimallia. Siihen asti, kunnes nämä tiedot julkaistaan, kehykset ovat mielenkiintoisia julkistuksia eikä käyttökelpoisia tuotteita.
