Екип от изследователи от университета в Абърдийн, Масачузетския технологичен институт и няколко други институции публикуваха набор от данни за историческите изисквания за изчисления на модели за машинно обучение (ML). Наборът от данни съдържа необходимите изчисления за обучението на 123 важни модела, а анализът показва, че от 2010 г. насам тенденцията значително се е увеличила, отбелязва InfoQ. Според изследователите:

“Надяваме се, че нашата работа ще помогне на другите да разберат по-добре колко голям е неотдавнашният напредък в ML, обусловен от увеличаването на мащаба и ще подобри прогнозите ни за развитието на усъвършенствани ML системи.”

Анализът е представен в статия, публикувана в arXiv. Наборът от данни съдържа три пъти повече модели в сравнение с предишни опити и обхваща забележителни ML модели, които са допринесли за напредъка на техниката. Целта на изследването е да се помогне за прогнозиране на напредъка на ML, като се използва търсенето на изчисления за обучение като показател. Екипът идентифицира три различни епохи в ML, наречени “ера преди дълбокото обучение”, “ера на дълбокото обучение” и “ера на големите мащаби”. Изчислени са също така и тенденциите за удвояване (подобно на закона на Мур) за всяка ера: съответно около 21 месеца, 6 месеца и 10 месеца.