Google AI baru saja meluncurkan MLE-STAR, sebuah agen kecerdasan buatan yang mampu mengotomatisasi perancangan dan optimalisasi alur kerja machine learning. Teknologi ini menggunakan pencarian berbasis web, perbaikan kode terarah, dan modul pemeriksaan yang kokoh.

Inovasi ini jauh melampaui kinerja agen ML otonom sebelumnya, bahkan mengalahkan metode yang dilakukan manusia dalam berbagai tugas rekayasa machine learning.

MLE-STAR hadir sebagai solusi dari masalah yang dihadapi model bahasa besar (LLMs) dalam menghasilkan kode dan otomatisasi alur kerja machine learning yang efektif.

Terobosan Teknologi Rekayasa Machine Learning

Sistem agen canggih MLE-STAR (Machine Learning Engineering via Search and Targeted Refinement) dikembangkan oleh para peneliti Google Cloud untuk mengotomatiskan desain dan optimasi alur kerja machine learning yang kompleks. Berbeda dengan sistem sebelumnya, MLE-STAR tidak hanya mengandalkan "ingatan" dari model bahasanya saja.

Agen ML sebelumnya sering terjebak dalam penggunaan model yang sudah "dikenal" (misalnya hanya menggunakan scikit-learn untuk data tabular) dan mengabaikan pendekatan mutakhir yang lebih spesifik untuk tugas tertentu. MLE-STAR mengatasi masalah ini dengan pencarian berbasis web untuk menemukan model dan kode terbaru yang relevan.

Teknologi ini juga mengatasi masalah iterasi "sekaligus" yang kasar pada agen sebelumnya. Alih-alih memodifikasi seluruh skrip sekaligus, MLE-STAR menggunakan proses perbaikan dua putaran yang lebih terstruktur, memungkinkan eksplorasi mendalam terhadap komponen-komponen spesifik seperti rekayasa fitur dan pemrosesan data.

Keunggulan lain dari MLE-STAR adalah kemampuannya menangani kesalahan dan kebocoran data. Agen ini dilengkapi dengan modul khusus untuk mendeteksi dan memperbaiki bug, mencegah kebocoran data, dan memastikan penggunaan maksimal dari semua file data yang tersedia.

Hasil pengujian menunjukkan MLE-STAR mencapai tingkat keberhasilan lebih dari dua kali lipat dibandingkan agen terbaik sebelumnya dalam mencapai solusi "medali" (tingkat atas) pada berbagai kompetisi Kaggle yang mencakup data tabular, gambar, audio, dan teks.

Keunggulan MLE-STAR yang Mengubah Dunia AI

MLE-STAR memperkenalkan beberapa kemajuan kunci yang membedakannya dari solusi sebelumnya. Pertama, pemilihan model dengan bantuan pencarian web. Alih-alih hanya mengandalkan "pelatihan" internalnya, MLE-STAR menggunakan pencarian eksternal untuk mengambil model mutakhir dan cuplikan kode yang relevan dengan tugas dan dataset yang disediakan.

Kedua, perbaikan kode bertarget dan bertingkat. MLE-STAR meningkatkan solusinya melalui proses perbaikan dua putaran: Putaran Luar (berbasis ablasi) yang menjalankan studi ablasi pada kode yang berkembang untuk mengidentifikasi komponen pipeline mana yang paling memengaruhi kinerja, dan Putaran Dalam (eksplorasi terfokus) yang secara iteratif menghasilkan dan menguji variasi hanya untuk komponen tersebut.

Ketiga, strategi ensemble yang mampu meningkatkan diri. MLE-STAR mengusulkan, mengimplementasikan, dan menyempurnakan metode ensemble baru dengan menggabungkan beberapa solusi kandidat. Daripada sekadar memilih "terbaik dari N" atau rata-rata sederhana, ia menggunakan kemampuan perencanaannya untuk mengeksplorasi strategi lanjutan seperti stacking dengan meta-learner khusus.

Keempat, ketahanan melalui agen khusus. MLE-STAR dilengkapi dengan Agen Debugging yang secara otomatis menangkap dan memperbaiki kesalahan Python, Pemeriksa Kebocoran Data yang memeriksa kode untuk mencegah informasi dari sampel pengujian atau validasi yang bias terhadap proses pelatihan, dan Pemeriksa Penggunaan Data yang memastikan skrip solusi memaksimalkan penggunaan semua file data yang disediakan.

Dari hasil kuantitatif, MLE-STAR berhasil mencapai tingkat medali "apa pun" 63,6% dibandingkan dengan 25,8% untuk AIDE (baseline terbaik sebelumnya), dan tingkat medali emas 36,4% dibandingkan dengan 12,1% untuk AIDE.

Masa Depan Otomatisasi Machine Learning

MLE-STAR tidak hanya merupakan lompatan besar dalam otomatisasi rekayasa machine learning, tetapi juga membuka jalan bagi integrasi dan ekstensi lebih lanjut. Para ahli dapat menyuntikkan deskripsi model mutakhir untuk adopsi arsitektur terbaru yang lebih cepat, dan sistem ini dibangun di atas Google's Agent Development Kit (ADK) yang memfasilitasi adopsi open-source dan integrasi ke dalam ekosistem agen yang lebih luas.

Dengan menerapkan alur kerja yang dimulai dengan pencarian, menguji kode melalui loop berbasis ablasi, memadukan solusi dengan ensemble adaptif, dan mengawasi output kode dengan agen khusus, MLE-STAR mengalahkan teknologi sebelumnya dan bahkan banyak kompetitor manusia.

Basis kode open-source berarti para peneliti dan praktisi ML sekarang dapat mengintegrasikan dan memperluas kemampuan canggih ini dalam proyek mereka sendiri, mempercepat produktivitas dan inovasi di bidang kecerdasan buatan.

(Burung Hantu Infratek / Berbagai Sumber)

Berita ini 100% diriset, ditulis dan dikembangkan oleh AI internal Burung Hantu Infratek. Bisa jadi terdapat kesalahan pada data aktual.