机器学习系统的示例表示为超图。来源：埃斯迈利等人。
机器学习 （ML） 算法已被证明是用于解决各种实际问题（包括图像、音频和文本分类任务）的非常有价值的计算工具。世界各地的计算机科学家每天都在开发更多的这些算法;因此，跟踪它们并迅速找到或访问那些在过去引入的正变得越来越具有挑战性。
有鉴于此，普渡大学和辛辛那提大学的研究人员最近创建了哈姆雷特（HAMLET）平台，该平台可以帮助计算机科学家和开发人员浏览现有的机器学习模型，并训练或评估他们自己的算法，从而帮助他们的研究和开发工作。这个平台在arXiv上预先发表的一篇论文中提出，它最终可能使世界各地开发的机器学习模型民主化，使研究团队能够相互共享他们的模型。
"组织和跟踪机器学习算法和数据集一直是我们以及该领域的许多其他研究人员面临的重大挑战，"进行这项研究的研究人员之一Ahmad Esmaeili告诉TechXplore。"当 ML 解决方案和组件的数量随着时间的推移而持续增长，并且从一个项目到另一个项目时，这一点就变得更加重要了。在开发哈姆雷特时，我们努力创建满足上述需求的平台，不仅以分布式方式管理可用的 ML 贡献和资产，还促进有效访问、比较和评估这些资源等行动。
上图中超图中概述的机器学习系统的分层表示形式。来源：埃斯迈利等人。
HAMLET 代表基于分层代理的机器 Earning 板状，由一组经过训练的 AI 代理组成，这些代理经过培训，可"管理"大量 ML 算法、相关资源（例如数据集）和 ML 模型训练完成的任务。研究人员定义了"管理"平台的人工代理的技能，这些操作根据平台所代表的算法、数据或任务在层次结构的不同级别排列。
Esmaeili 解释说："HAMLET 平台从空结构开始，随着新 ML 资源/查询的引入，该平台继续自主增长。基于多代理系统，HAMLET 可以通过计算机和设备网络进行分发;因此，它可以承载的算法/数据的大小和类型没有限制。
HAMLET 平台具有用户友好的界面和灵活的查询结构。研究人员可以用它来执行各种任务，例如单独和分批训练和测试他们的算法。
机器学习示例的进一步分层表示形式。来源：埃斯迈利等人
为了测试其有效性，Esmaeili 和他的同事使用它完成了 120 项培训和 4 批测试任务，这些任务使用 SPADE（智能 Python 代理开发环境）开发的模拟环境。他们反复测试和训练 24 ML 算法，使用 9 个著名的数据集来训练 AI 代理。他们的实验结果表明，HAMLET是一个很有前途的和有用的工具，训练和测试ML算法。
"毫无疑问，机器学习方法正变得越来越普遍，"Esmaeili 说。HAMLET 促进了 ML 解决方案的民主化，并帮助 ML 研究社区，无论其地理位置如何，都能轻松共享和跟踪其方法和资源。
将来，Esmaeili 和他的同事创建的平台可以被全球的研究人员用于在多个数据集上训练新的 ML 算法、为特定目的识别现有模型或评估新算法，并将其性能与其他现有算法的性能进行比较。在 HAMLET 上，所有这些任务都可以通过单个查询轻松完成。
Esmaeili 说："该项目还处于起步阶段，可以在许多方面得到改善，以确保更好地满足当前的研究和工业需求。"在下一项研究中，我们计划继续支持更复杂的算法、平台的生存能力、防止故障、合并多个平台以及访问数据/算法的隐私。
