En los últimos años, se han producido avances significativos en el aprendizaje automático (ML), con numerosos marcos y bibliotecas desarrollados para simplificar nuestras tareas. Entre estas innovaciones, Apple lanzó recientemente un nuevo marco, mlx, diseñado específicamente para Apple Silicon, que facilita la capacitación y la implementación de modelos ML de aprendizaje automático para hardware de Apple. Este marco es un marco de matriz, similar a NumPy, que permite un rendimiento eficiente y flexible en los procesadores de Apple.
El diseño del marco está inspirado en marcos existentes como Jax, PyTorch y ArrayFire, y tiene una API de Python y una API de C++. Esto hace que el marco sea fácil de usar y los investigadores pueden ampliar y mejorar MLX fácilmente. También cuenta con paquetes de alto nivel como mlx.optimizadores y mlx.nn con API, lo que simplifica la construcción de modelos complejos. MLX tiene transformaciones de funciones componibles que permiten la diferenciación automática, la vectorización automática y la optimización de gráficos de cálculo.
Los cálculos en mlx son vagos, lo que significa que las matrices se utilizan sólo cuando es necesario. Además, los cálculos en el marco se crean dinámicamente y la modificación de los argumentos de la función no genera compilaciones más lentas. mlx admite múltiples dispositivos y las operaciones se pueden ejecutar en CPU y GPU. Por último, a diferencia de otros marcos, las matrices en mlx viven en la memoria compartida y las operaciones se pueden realizar en cualquier dispositivo compatible sin mover los datos.
Los investigadores de Apple en GitHub dijeron: “El marco está destinado a ser fácil de usar, pero aún así eficiente para entrenar e implementar modelos. El diseño del marco en sí también es conceptualmente simple. Tenemos la intención de facilitar a los investigadores la ampliación y mejora de MLX con el objetivo de explorar rápidamente nuevas ideas”.
Apple ha enumerado algunos de los ejemplos de cómo se podría utilizar MLX. Sus casos de uso incluyen el entrenamiento de un modelo de lenguaje transformador, la generación de texto a gran escala usando LLaMA o Mistral, la generación de imágenes con Stable Diffusion, el ajuste eficiente de parámetros con LoRA y el reconocimiento de voz usando Whisper de OpenAI. Se probaron las capacidades de generación de imágenes de Stable Diffusion en MLX y los investigadores observaron que MLX logró alrededor de un 40% mejor rendimiento que PyTorch con un tamaño de lote de 16.
Mediante el lanzamiento de MLX, los investigadores de Apple han intentado democratizar el aprendizaje automático para facilitar más investigaciones. Aunque Apple llega un poco tarde para unirse a la guerra de la IA con sus competidores como Meta, Google y OpenAI lanzando numerosos modelos/marcos de última generación, no podemos descartarlos por completo en las primeras etapas de la competencia. Sin embargo, el marco tiene la capacidad de simplificar la construcción de modelos complejos y potencialmente llevar IA generativa a los dispositivos Apple.
En conclusión, MLX es un marco eficaz que proporciona a los investigadores un entorno potente para crear modelos de aprendizaje automático. Además de su diseño único, lo que lo hace más fácil de usar es que se ha inspirado en marcos existentes, lo que garantiza una transición fluida para sus usuarios. Aunque Apple no ha hecho anuncios significativos en el campo de la IA últimamente, con MLX espera simplificar mucho la construcción de modelos de ML y facilitar la exploración de nuevas ideas.
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como emprendedor e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.