COMPUTER SYSTEM FOR BUILDING, TRAINING AND PRODUCTIONIZING MACHINE LEARNING MODELS
A system for building, training and productionizing machine learning models is disclosed. A model training specification is received, and a plurality of sets of hyper-parameters is obtained. Sets of training data and hyper parameter sets are distributed to distributed training systems. Models are tr...
Gespeichert in:
Hauptverfasser: | , , , |
---|---|
Format: | Patent |
Sprache: | eng ; fre |
Schlagworte: | |
Online-Zugang: | Volltext bestellen |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
container_end_page | |
---|---|
container_issue | |
container_start_page | |
container_title | |
container_volume | |
creator | BARNWAL, Abhishek ALI, Babar BOREN, David Scott NGUYEN, David Luan |
description | A system for building, training and productionizing machine learning models is disclosed. A model training specification is received, and a plurality of sets of hyper-parameters is obtained. Sets of training data and hyper parameter sets are distributed to distributed training systems. Models are trained in parallel using different sets of training data. Models are trained using multiple sets of hyper parameters. A candidate hyper-parameter set is selected, based on a measure of estimated effectiveness of the trained predictive models, and a production predictive model is generated by training a predictive model using the selected candidate hyper-parameter set and the complete set of training data.
L'invention concerne un système pour construire, former et mettre en production des modèles d'apprentissage automatique. Une spécification de formation de modèle est reçue, et une pluralité d'ensembles d'hyper-paramètres est obtenue. Des ensembles de données de formation et d'ensembles d'hyper-paramètres sont distribués à des systèmes de formation distribués. Des modèles sont formés en parallèle en utilisant des ensembles de données de formation différents. Des modèles sont formés en utilisant de multiples ensembles d'hyper-paramètres. Un ensemble d'hyper-paramètres candidat est sélectionné, sur la base d'une mesure de l'efficacité estimée des modèles prédictifs formés, et un modèle prédictif de production est généré par formation d'un modèle prédictif en utilisant l'ensemble d'hyper-paramètres candidat sélectionné et l'ensemble complet de données de formation. |
format | Patent |
fullrecord | <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_WO2019028468A1</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>WO2019028468A1</sourcerecordid><originalsourceid>FETCH-epo_espacenet_WO2019028468A13</originalsourceid><addsrcrecordid>eNrjZAhy9vcNCA1xDVIIjgwOcfVVcPMPUnAK9fRx8fRz11EICXL09AOyFBz9XBQCgvxdQp1DPP39PKNAYr6Ozh6efq4KPq6OQWBFvv4urj7BPAysaYk5xam8UJqbQdnNNcTZQze1ID8-tbggMTk1L7UkPtzfyMDQ0sDIwsTMwtHQmDhVALQwMM4</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>COMPUTER SYSTEM FOR BUILDING, TRAINING AND PRODUCTIONIZING MACHINE LEARNING MODELS</title><source>esp@cenet</source><creator>BARNWAL, Abhishek ; ALI, Babar ; BOREN, David Scott ; NGUYEN, David Luan</creator><creatorcontrib>BARNWAL, Abhishek ; ALI, Babar ; BOREN, David Scott ; NGUYEN, David Luan</creatorcontrib><description>A system for building, training and productionizing machine learning models is disclosed. A model training specification is received, and a plurality of sets of hyper-parameters is obtained. Sets of training data and hyper parameter sets are distributed to distributed training systems. Models are trained in parallel using different sets of training data. Models are trained using multiple sets of hyper parameters. A candidate hyper-parameter set is selected, based on a measure of estimated effectiveness of the trained predictive models, and a production predictive model is generated by training a predictive model using the selected candidate hyper-parameter set and the complete set of training data.
L'invention concerne un système pour construire, former et mettre en production des modèles d'apprentissage automatique. Une spécification de formation de modèle est reçue, et une pluralité d'ensembles d'hyper-paramètres est obtenue. Des ensembles de données de formation et d'ensembles d'hyper-paramètres sont distribués à des systèmes de formation distribués. Des modèles sont formés en parallèle en utilisant des ensembles de données de formation différents. Des modèles sont formés en utilisant de multiples ensembles d'hyper-paramètres. Un ensemble d'hyper-paramètres candidat est sélectionné, sur la base d'une mesure de l'efficacité estimée des modèles prédictifs formés, et un modèle prédictif de production est généré par formation d'un modèle prédictif en utilisant l'ensemble d'hyper-paramètres candidat sélectionné et l'ensemble complet de données de formation.</description><language>eng ; fre</language><subject>CALCULATING ; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS ; COMPUTING ; COUNTING ; PHYSICS</subject><creationdate>2019</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20190207&DB=EPODOC&CC=WO&NR=2019028468A1$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,308,780,885,25564,76547</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20190207&DB=EPODOC&CC=WO&NR=2019028468A1$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>BARNWAL, Abhishek</creatorcontrib><creatorcontrib>ALI, Babar</creatorcontrib><creatorcontrib>BOREN, David Scott</creatorcontrib><creatorcontrib>NGUYEN, David Luan</creatorcontrib><title>COMPUTER SYSTEM FOR BUILDING, TRAINING AND PRODUCTIONIZING MACHINE LEARNING MODELS</title><description>A system for building, training and productionizing machine learning models is disclosed. A model training specification is received, and a plurality of sets of hyper-parameters is obtained. Sets of training data and hyper parameter sets are distributed to distributed training systems. Models are trained in parallel using different sets of training data. Models are trained using multiple sets of hyper parameters. A candidate hyper-parameter set is selected, based on a measure of estimated effectiveness of the trained predictive models, and a production predictive model is generated by training a predictive model using the selected candidate hyper-parameter set and the complete set of training data.
L'invention concerne un système pour construire, former et mettre en production des modèles d'apprentissage automatique. Une spécification de formation de modèle est reçue, et une pluralité d'ensembles d'hyper-paramètres est obtenue. Des ensembles de données de formation et d'ensembles d'hyper-paramètres sont distribués à des systèmes de formation distribués. Des modèles sont formés en parallèle en utilisant des ensembles de données de formation différents. Des modèles sont formés en utilisant de multiples ensembles d'hyper-paramètres. Un ensemble d'hyper-paramètres candidat est sélectionné, sur la base d'une mesure de l'efficacité estimée des modèles prédictifs formés, et un modèle prédictif de production est généré par formation d'un modèle prédictif en utilisant l'ensemble d'hyper-paramètres candidat sélectionné et l'ensemble complet de données de formation.</description><subject>CALCULATING</subject><subject>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>PHYSICS</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2019</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNrjZAhy9vcNCA1xDVIIjgwOcfVVcPMPUnAK9fRx8fRz11EICXL09AOyFBz9XBQCgvxdQp1DPP39PKNAYr6Ozh6efq4KPq6OQWBFvv4urj7BPAysaYk5xam8UJqbQdnNNcTZQze1ID8-tbggMTk1L7UkPtzfyMDQ0sDIwsTMwtHQmDhVALQwMM4</recordid><startdate>20190207</startdate><enddate>20190207</enddate><creator>BARNWAL, Abhishek</creator><creator>ALI, Babar</creator><creator>BOREN, David Scott</creator><creator>NGUYEN, David Luan</creator><scope>EVB</scope></search><sort><creationdate>20190207</creationdate><title>COMPUTER SYSTEM FOR BUILDING, TRAINING AND PRODUCTIONIZING MACHINE LEARNING MODELS</title><author>BARNWAL, Abhishek ; ALI, Babar ; BOREN, David Scott ; NGUYEN, David Luan</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_WO2019028468A13</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>eng ; fre</language><creationdate>2019</creationdate><topic>CALCULATING</topic><topic>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>PHYSICS</topic><toplevel>online_resources</toplevel><creatorcontrib>BARNWAL, Abhishek</creatorcontrib><creatorcontrib>ALI, Babar</creatorcontrib><creatorcontrib>BOREN, David Scott</creatorcontrib><creatorcontrib>NGUYEN, David Luan</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>BARNWAL, Abhishek</au><au>ALI, Babar</au><au>BOREN, David Scott</au><au>NGUYEN, David Luan</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>COMPUTER SYSTEM FOR BUILDING, TRAINING AND PRODUCTIONIZING MACHINE LEARNING MODELS</title><date>2019-02-07</date><risdate>2019</risdate><abstract>A system for building, training and productionizing machine learning models is disclosed. A model training specification is received, and a plurality of sets of hyper-parameters is obtained. Sets of training data and hyper parameter sets are distributed to distributed training systems. Models are trained in parallel using different sets of training data. Models are trained using multiple sets of hyper parameters. A candidate hyper-parameter set is selected, based on a measure of estimated effectiveness of the trained predictive models, and a production predictive model is generated by training a predictive model using the selected candidate hyper-parameter set and the complete set of training data.
L'invention concerne un système pour construire, former et mettre en production des modèles d'apprentissage automatique. Une spécification de formation de modèle est reçue, et une pluralité d'ensembles d'hyper-paramètres est obtenue. Des ensembles de données de formation et d'ensembles d'hyper-paramètres sont distribués à des systèmes de formation distribués. Des modèles sont formés en parallèle en utilisant des ensembles de données de formation différents. Des modèles sont formés en utilisant de multiples ensembles d'hyper-paramètres. Un ensemble d'hyper-paramètres candidat est sélectionné, sur la base d'une mesure de l'efficacité estimée des modèles prédictifs formés, et un modèle prédictif de production est généré par formation d'un modèle prédictif en utilisant l'ensemble d'hyper-paramètres candidat sélectionné et l'ensemble complet de données de formation.</abstract><oa>free_for_read</oa></addata></record> |
fulltext | fulltext_linktorsrc |
identifier | |
ispartof | |
issn | |
language | eng ; fre |
recordid | cdi_epo_espacenet_WO2019028468A1 |
source | esp@cenet |
subjects | CALCULATING COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS COMPUTING COUNTING PHYSICS |
title | COMPUTER SYSTEM FOR BUILDING, TRAINING AND PRODUCTIONIZING MACHINE LEARNING MODELS |
url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-25T06%3A38%3A36IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=BARNWAL,%20Abhishek&rft.date=2019-02-07&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3EWO2019028468A1%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true |