Il machine learning (ML) team di Apple ha presentato un nuovo framework ML per Apple Silicon denominato MLX o ML Explore, disponibile dopo test effettuati durante l’estate, distribuito su GitHub. Sviluppatori e ingegneri che si occipano di di machine learning possono scaricare modelli di riferimento e perfezionarli per compiti specifici, come eseguire istruzioni o svolgere altre attività.
Awni Hannun, del team ML di Apple, su X definisce il software “un efficiente framework di machine learning, specificatamente pensato per Apple Silicon”. L’idea è di semplificare formazione e deployment di modelli ML per i ricercatori che usano hardware Apple. MLX è un array tipo NumPy (libreria open source per il linguaggio di programmazione Python); non è un prodotto destinato agli utenti ma agli sviluppatori per consentire a questi ultimi di sfruttare il linguaggio che preferiscono.
MLX si ispira a framework esistenti quali PyTorch, Jax e ArrayFire ma integra il supporto alla memoria unificata: gli array possono tenere conto di memoria condivisa e varie attività eseguite senza copiare prima i dati da qualche parte.
“MLX è progettato da ricercatori sul machine learning per ricercatori sul machine learning”, spiega Apple nella documentazione. “Il framework è pensato per essere di facile uso e allo stesso tempo efficiente da addestrare e consentire di implementare modelli”. E ancora: “Intendiamo rendere facile ai ricercatori estendere e migliorare MLX con l’obiettivo di esplorare velocemente nuove idee”.
Just in time for the holidays, we are releasing some new software today from Apple machine learning research.
MLX is an efficient machine learning framework specifically designed for Apple silicon (i.e. your laptop!)
Code: https://t.co/Kbis7IrP80
Docs: https://t.co/CUQb80HGut— Awni Hannun (@awnihannun) December 5, 2023
I chip serie Mx (M1, M2, ecc.) di Apple includono un Neural Engine che permette di accelerare notevolmente le attività di apprendimento automatico, o machine learning (ML). Il “motore” in questione può essere sfruttato per analisi video, riconoscimento vocale ed elaborazione delle immagini. Tra i modelli che Apple indica negli esempi di addestramento per l’AI: la generazione di testi, la generazione di immagini, il riconoscimento vocale, tuning modelli di linguaggio di grandi dimensioni (LLM) con “l’adattamento di basso rango” (LoRA) e altro ancora.
