Articulo de referencia

Fundación CTuning

La Fundación cTuning es una organización global sin fines de lucro que desarrolla una metodología común y herramientas de código abierto para apoyar la investigación sostenible,...

La Fundación cTuning es una organización global sin fines de lucro que desarrolla una metodología común y herramientas de código abierto para apoyar la investigación sostenible, colaborativa y reproducible en ciencias de la computación , y organiza y automatiza las iniciativas de evaluación de artefactos y reproducibilidad en conferencias y revistas de aprendizaje automático y sistemas. [ 1 ]

Proyectos destacados

  • Collective Mind : un paquete de Python con una colección de recetas de automatización portátiles, extensibles y listas para usar, con una interfaz intuitiva para ayudar a la comunidad a componer, evaluar y optimizar aplicaciones y sistemas complejos de IA, ML y otros, abarcando modelos, conjuntos de datos, software y hardware diversos y en constante evolución. [ 2 ] [ 3 ] [ 4 ]
  • Conocimiento colectivo : un marco de código abierto para organizar proyectos de software como una base de datos de componentes reutilizables con acciones de automatización comunes y meta descripciones extensibles basadas en los principios FAIR , implementar flujos de trabajo de investigación portátiles y realizar experimentos mediante crowdsourcing en diversas plataformas proporcionadas por voluntarios. [ 5 ]
  • ACM ReQuEST - Torneos de sistemas reproducibles y eficientes para el codiseño de pilas de software/hardware eficientes para algoritmos de aprendizaje profundo en términos de velocidad, precisión y costos en diversas plataformas, entornos, bibliotecas, modelos y conjuntos de datos [ 6 ]
  • MILEPOST GCC : tecnología de código abierto para construir compiladores autooptimizables basados ​​en aprendizaje automático.
  • Evaluación de artefactos : validación de resultados experimentales de artículos publicados en conferencias sobre sistemas informáticos y aprendizaje automático. [ 7 ] [ 8 ] [ 9 ]
  • Artículos Reproducibles : un índice público de artículos reproducibles con flujos de trabajo portátiles y componentes de investigación reutilizables.

Historia

Grigori Fursin desarrolló cTuning.org al final del proyecto Milepost en 2009 para continuar su investigación sobre la optimización de programas y arquitecturas basada en aprendizaje automático como un esfuerzo comunitario. [ 10 ] [ 11 ]

En 2014, la Fundación cTuning se registró en Francia como una organización de investigación y desarrollo sin ánimo de lucro. Recibió financiación del proyecto TETRACOM de la UE y de ARM para desarrollar el Marco de Conocimiento Colectivo y preparar una metodología de investigación reproducible para las conferencias de ACM e IEEE . [ 12 ]

En 2020, la Fundación cTuning se unió a MLCommons como miembro fundador para acelerar la innovación en ML. [ 13 ]

En 2023, la Fundación cTuning se unió a la nueva iniciativa del Consorcio de Computación para Vehículos Autónomos y MLCommons para desarrollar un conjunto de pruebas de referencia de aprendizaje automático estándar para la industria automotriz. [ 14 ]

Desde 2024, la Fundación cTuning apoya el formato de metadatos MLCommons Croissant para ayudar a estandarizar los conjuntos de datos de ML. [ 15 ]

Fondos

La financiación actual proviene del programa de financiación de investigación y desarrollo de la Unión Europea , Microsoft y otras organizaciones. [ 16 ]

Referencias

  1. "ACM TechTalk "Reproduciendo 150 artículos de investigación y probándolos en el mundo real: desafíos y soluciones con Grigori Fursin"" . Consultado el 11 de febrero de 2021 .
  2. Fursin, Grigori (junio de 2023). Hacia un lenguaje común para facilitar la investigación reproducible y la transferencia de tecnología: desafíos y soluciones . Ponencia principal en la 1.ª Conferencia ACM sobre Reproducibilidad y Replicabilidad. doi : 10.5281/zenodo.8105339 .
  3. Catálogo en línea de recetas de automatización desarrolladas por MLCommons
  4. HPCWire: MLPerf publica los últimos resultados de inferencia y una nueva prueba de rendimiento de almacenamiento , septiembre de 2023
  5. Fursin, Grigori (octubre de 2020). Conocimiento colectivo: organización de proyectos de investigación como una base de datos de componentes reutilizables y flujos de trabajo portátiles con interfaces comunes . Philosophical Transactions of the Royal_Society . arXiv : 2011.01149 . doi : 10.1098/rsta.2020.0211 . Consultado el 22 de octubre de 2020 .
  6. Ceze, Luis (20 de junio de 2018), ACM ReQuEST'18 preliminares e informe (PDF) , ISBN 9781450359238
  7. Fursin, Grigori ; Bruce Childers; Alex K. Jones; Daniel Mosse (junio de 2014). TRUST'14 . Actas del 1er Taller ACM SIGPLAN sobre Metodologías de Investigación Reproducibles y Nuevos Modelos de Publicación en Ingeniería Informática en PLDI'14 . doi : 10.1145/2618137 .
  8. Fursin, Grigori ; Christophe Dubach (junio de 2014). Revisión y validación de publicaciones impulsadas por la comunidad . Actas de TRUST'14 en PLDI'14. arXiv : 1406.4020 . doi : 10.1145/2618137.2618142 .
  9. Childers, Bruce R; Grigori Fursin; Shriram Krishnamurthi; Andreas Zeller (marzo de 2016). Evaluación de artefactos para publicaciones . Taller Dagstuhl Perspectives 15452. doi : 10.4230/DagRep.5.11.29 .
  10. El primer compilador inteligente de código abierto del mundo ofrece asesoramiento automatizado sobre la optimización del código de software , comunicado de prensa de IBM, junio de 2009 ( enlace )
  11. Grigori Fursin. Iniciativa de ajuste colectivo: automatización y aceleración del desarrollo y la optimización de sistemas informáticos. Actas de la Cumbre GCC'09, Montreal, Canadá, junio de 2009 ( enlace )
  12. Artículo sobre el proyecto TTP "CONOCIMIENTO COLECTIVO: UN MARCO PARA EL ANÁLISIS Y LA OPTIMIZACIÓN SISTEMÁTICOS DEL RENDIMIENTO", HiPEACinfo, julio de 2015 ( enlace )
  13. Comunicado de prensa de MLCommons: "MLCommons se lanza y reúne a más de 50 líderes tecnológicos y académicos globales en IA y aprendizaje automático para acelerar la innovación en ML" ( enlace )
  14. Comunicado de prensa de AVCC: "AVCC y MLCommons unen fuerzas para desarrollar un conjunto de pruebas de rendimiento de aprendizaje automático estándar para la industria automotriz" ( enlace )
  15. Comunicado de prensa de MLCommons: "El nuevo formato de metadatos Croissant ayuda a estandarizar los conjuntos de datos de aprendizaje automático. El soporte de Hugging Face, Google Dataset Search, Kaggle y Open ML facilita la búsqueda y el uso de los conjuntos de datos." ( enlace )
  16. Socios de la fundación cTuning