LLMWare, una software company leader, ha introdotto SLIMs (Small Specialized Function-Calling Models), una soluzione innovativa progettata per ottimizzare e automatizzare processi complessi. SLIMs rivoluziona il modo in cui viene gestita l’automazione a più passaggi incorporando avanzate tecniche di deep learning.
I modelli di deep learning, come i Graph Neural Networks (GNNs), sono ampiamente riconosciuti per la loro capacità di elaborare dati descritti da grafi e gestire relazioni complesse. Per sfruttare il potere dei GNNs, LLMWare ha sviluppato un nuovo framework chiamato SLIMs.
SLIMs consente la costruzione e l’addestramento di GNNs su larga scala all’interno dell’ecosistema esistente dell’azienda. Utilizzando la libreria TensorFlow GNN 1.0 (TF-GNN), SLIMs consente agli utenti di effettuare inferenze su nodi individuali, interi grafi o archi potenziali. Ciò consente previsioni più accurate e una comprensione più approfondita dei dati sottostanti ai grafi.
La principale forza di SLIMs risiede nella sua capacità di gestire grafi eterogenei, in cui gli oggetti e le loro relazioni sono di tipi distinti. Invece di lottare con tradizionali algoritmi di machine learning che supportano solo relazioni regolari e uniformi, SLIMs rappresenta accuratamente scenari del mondo reale supportando diversi tipi di oggetti e relazioni.
Per addestrare efficacemente i GNNs su grandi set di dati con connessioni complesse, SLIMs fa leva sulla tecnica di campionamento di sottografi. Questa tecnica comporta l’addestramento di una piccola parte dei grafi con dati sufficienti per calcolare il risultato dei GNN per il nodo etichettato al centro e addestrare il modello. Ciò garantisce un addestramento efficiente e scalabile senza compromettere l’accuratezza.
SLIMs supporta sia l’addestramento supervisionato che quello non supervisionato. L’addestramento supervisionato minimizza una funzione di perdita basata su esempi etichettati, mentre l’addestramento non supervisionato genera rappresentazioni continue (embedding) della struttura del grafo per l’utilizzo in altri sistemi di machine learning. Questa flessibilità consente agli utenti di scegliere il metodo di addestramento che meglio si adatta alle loro esigenze.
Con le sue robuste capacità, SLIMs affronta la necessità di una soluzione scalabile per la costruzione e l’addestramento di GNNs. Offre un approccio flessibile alla costruzione del modello, un efficace campionamento di sottografi e un’integrazione senza soluzione di continuità con gli ecosistemi esistenti. Ciò permette ai ricercatori e agli sviluppatori di sfruttare appieno il potenziale dei GNNs per analisi di reti complesse e compiti di previsione.
In conclusione, il lancio di SLIMs da parte di LLMWare segna un significativo passo avanti nell’automazione a più passaggi, sfruttando il potere dei GNNs per aumentare l’efficienza e l’accuratezza in processi complessi. Con SLIMs, le organizzazioni possono abbracciare il futuro dell’automazione e ottenere un vantaggio competitivo nei rispettivi settori.
The source of the article is from the blog reporterosdelsur.com.mx