Una herramienta para el aprendizaje de máquinas, la cual es básicamente un optimizador, permite ayudar al desarrollador a construir un modelo matemático, que es la parte más complicada de este tema.

Ahora se ha liberado una versión de código abierto llamada LG Auptimizar, que está diseñada para correr y registrar la optimización de sofisticados hiperparámetros (HPO por sus siglas en inglés), de manera que se puedan refinar los modelos de aprendizaje de máquinas de forma más rápida.

Los desarrolladores de Auptimizer dicen que crearon esta herramienta porque es difícil afinar los parámetros en los modelos de aprendizaje, especialmente cuando se trata de hallar los valores correctos de los hiperparámetros.

La versión actual de Auptimizer puede ser usado de manera muy simple y permite correr y guardar los experimentos que se hagan para hallar los valores correctos de los hiperparámetros.

Puede ayudar a usar los recursos de cómputo disponibles, como cuando hay una serie de GPUs o bien una nube como la AWS. Auptimizer da un punto de acceso a los algoritmos HPO, incluyendo la optimización bayesiana, entre otros.

Las versiones futuras de Auptimizer soportarán compresión de modelos y búsqueda en arquitecturas neuronales. Las técnicas que se soportan hoy día incluyen: Random, Grid, Hyperband, Hyperopt, Spearmint, EAS (experimental) y Passive.

La forma es que Auptimizer trabaja es simple: los investigadores  llaman a la herramienta con un par de líneas de código y dando la identificación de los hiperparámetros a investigar.

Auptimizer convierte esto a un script de entrenamiento para el modelo y éste puede ser usado para tratar con diferentes algoritmos para ver cuál es el que trabaja mejor. Auptimizer, como ya mencionamos, puede usarse para administrar los recursos de cómputo disponibles. Una vez que las pruebas se han corrido, Auptimizar graba todos los resultados de los experimentos y puede mapear y guardar los valores de los hiperparámetros.

Cabe decir que aunque Auptimizer puede administrar los recursos automáticamente, el usuario puede controlar esto directamente.

Los desarrolladores piensan que Auptimizer tiene una interfaz amigable con el usuario, la que ayuda a los investigadores a usarlo en sus flujos de trabajo y pueden así implementar más rápidamente nuevos algoritmos.

Todos los algoritmos HPO implementados comparten la misma interfaz, de manera que los usuarios pueden cambiar el algoritmo sin cambiar una sola línea de código.

Auptimizer es escalable. Esto significa que en la medida que tiene más recursos de máquina, más uso de ellos tendrá de forma automática. De acuerdo a los creadores de Auptimizer, se tiene una plataforma universal para desarrollar nuevos algoritmos de forma eficiente.