Scaling up Continual Learning — Ronak Malde, Trajectory
Ronak Malde från Trajectory presenterar self-distillation, en metod för att träna AI-modeller på långvariga uppgifter med många steg.
Problemet han löser är att när modeller tränas på långa sekvenser med befintliga metoder, blir de osäkra och fyller sitt svar med ord som "men", "vänta" och "kanske" — vad han kallar "but wait-problemet". Self-distillation fungerar genom att göra modellen till sin egen lärare: man ger en version av modellen extra information ("hints") och tränar en annan version att matcha dess beslut utan dessa hints. Till skillnad från andra träningsmetoder som måste välja mellan olika fördelar, säger Malde att self-distillation får alla fyra önskade egenskaper: att träna på verklig data, att kunna sampla olika vägar, att göra det effektivt utan parallella körningar, och att ge belöning för varje enskild token.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.