La société d’outils d’IA Adaption a lancé le 13 mai AutoScientist, un système automatisé de boucle de recherche destiné à l’entraînement et à l’alignement des modèles. Cette semaine, il a suscité une grande attention après avoir été partagé par la célèbre chercheuse en IA Sara Hooker. Ce système optimise conjointement les recettes de données et celles d’entraînement des modèles, puis itère automatiquement jusqu’à ce que le comportement du modèle converge vers les objectifs définis par l’utilisateur. Les développeurs n’ont ainsi plus besoin de régler manuellement les paramètres ou de « passer des heures à rechercher les hyperparamètres » ; même les personnes sans formation technique peuvent désormais entraîner et ajuster des modèles directement, au lieu de se limiter à la seule ingénierie de prompts. Selon les tests officiels, lors de toutes les exécutions sur des ensembles de données allant de 5 000 à 100 000 exemples, avec diverses architectures de modèles et dans huit secteurs d’activité différents, AutoScientist a surpassé en moyenne de 35 % les configurations manuelles établies par les chercheurs internes d’Adaption. Le taux de succès est passé de 48 % avec les réglages manuels à 64 % grâce à AutoScientist, avec des améliorations stables observées dans les huit secteurs testés, sans aucun risque de surapprentissage sur un domaine spécifique. L’éventail des architectures compatibles couvre tous les modèles pouvant être ajustés hébergés par Together AI.
Adaption positionne AutoScientist comme un complément à son couche de données Adaptive Data, ces deux outils formant ensemble une boucle fermée end-to-end allant de la préparation des données à l’adaptation des modèles. La société indique qu’elle propose déjà, comme mentionné dans le tweet de Sara Hooker, 30 jours de puissance de calcul gratuite aux utilisateurs d’Afrique de l’Est afin de faciliter leur accès ; les modalités de demande sont disponibles sur son blog officiel. La différence majeure entre la stratégie technique d’Adaption et celle des outils AutoML dominants actuellement réside dans l’intégration d’un mécanisme d’auto-amélioration : le système perfectionne constamment ses propres capacités de configuration en s’appuyant sur ses historiques d’exécution, plutôt que de dépendre de stratégies de recherche fixes.