مقترحات كريس ماسون من شركة آي بي إم حول التعلم الآلي لنواة لينكس
نواة نظام لينكس، وهي القلب الذي يشغل كل شيء من الحواسيب العملاقة إلى هواتف أندرويد، تستعد لعملية نقل الذكاء الاصطناعي.
في خطوة منسقة تمتد من شركة IBM إلى شركة Meta، بدأ المطورون الرئيسيون في استكشاف كيف يمكن للتعلم الآلي ليس فقط المساعدة في كتابة التعليمات البرمجية، ولكن أيضًا دمجه في نواة نظام التشغيل نفسه لتحسينه في الوقت الفعلي.
فياتشيسلاف دوبيكو، أطلق مهندس في شركة IBM اقتراحاً على القائمة البريدية لمطوري النواة: لإعطاء نظام لينكس القدرة على التطور الذاتي. إن رؤيته ليست بالهينة: دمج مكتبة التعلم الآلي مباشرة في النواة بحيث تتمكن الأنظمة الفرعية من اتخاذ قرارات ذكية تعتمد على البيانات دون تدخل بشري يدوي.
هذا المفهوم ثوري، لأنه على سبيل المثال، يمكننا أن نحصل على نظام ملفات يتنبأ بأعطال الأقراص قبل حدوثها التي تحدث، أو جدولة مهام تقوم بتعديل إعداداتها ديناميكيًا يتعلم النظام من أنماط الاستخدام السابقة تبعًا لحجم العمل. مع ذلك، يدرك دوبيكو التحديات التقنية. لا تسمح النواة مباشرةً بعمليات الفاصلة العائمة (الضرورية لحوسبة الشبكات العصبية)، كما أن تدريب نموذج داخل النواة سيؤدي إلى تدهور أداء النظام بأكمله.
بشكل عام، يمكن للتعلم الآلي أن يقدم نموذجًا ذاتي التطور، ومع cتوجد بالفعل أبحاث حول إمكانية التعلم الذاتي في نواة لينكس. وجهود الصناعة لتوظيف أساليب التعلم الآلي في التكوينتحسين نواة لينكس. ومع ذلك، فإن إدخال أساليب التعلم الآلي وفي نواة لينكس، لا تكون الطريقة بهذه البساطة أو المباشرة.
Su الحل المقترح هو بنية هجينةنموذج وسيط لنموذج التعلم الآلي داخل النواة، يعمل كوسيط. يقوم بالعمليات الثقيلة (التدريب والاستدلال المعقد). سيتم تشغيله في مساحة المستخدم (حيث توجد التطبيقات العادية)، والتواصل مع النواة من خلال واجهات مثل sysfs. سيسمح هذا الوكيل للنواة بالعمل في أوضاع مختلفةمن "وضع التعلم" حيث يتم اختبار توصيات الذكاء الاصطناعي بشكل مبدئي، إلى "وضع التوصية" الكامل عندما ينضج النموذج بما يكفي للتفوق على الخوارزميات الثابتة التقليدية.
يمكن اعتماد نموذج التعلم المستمر خلال مرحلة التدريب. وهذا يعني أن النظام الفرعي للنواة يمكنه تلقي توصيات من نموذج التعلم الآلي. حتى خلال مرحلة التدريب، يمكن للوكيل الموجود على جانب النواة لنموذج التعلم الآلي تقدير الحالة الراهنة للنظام الفرعي للنواة، ومحاولة تنفيذ التوصيات، وتقدير كفاءة تلك التوصيات.
كلود كود كمراجع للتصحيحات
بينما تسعى شركة IBM إلى دمج الذكاء الاصطناعي داخل نواة النظام، كريس ماسون، مبتكر نظام ملفات Btrfs (وهو موجود حاليًا في Meta)، ويريد استخدامه لبنائه. ماسون نشرت مطالبات للمراجعةمجموعة من الأدوات المصممة لتحويل مساعدي الذكاء الاصطناعي مثل كلود كود إلى مراجعين خبراء للبرمجيات.
La الفكرة هي معالجة إحدى أكبر العقبات في تطوير نظام لينكسمراجعة التصحيح. يوفر مشروع ماسون للذكاء الاصطناعي السياق المفقود (المواصفات الفنية للأنظمة الفرعية، ووثائق البروتوكول، وقوائم الأخطاء الشائعة) حتى يتمكن من تحليل التغييرات المقترحة بدقة. يقوم نظامهم بتقسيم التصحيحات الكبيرة إلى مهام أصغر، ويحلل مخططات الاستدعاء، ويتحقق مما إذا كانت الإصلاحات إن المقترحات المتعلقة بالأخطاء التي يتم الإبلاغ عنها بواسطة أدوات مثل syzkaller صحيحة بالفعل.
على الرغم من أنها لا تزال تجريبية، إلا أن النتائج واعدة: مع التوجيهات الصحيحة، انخفض معدل الإنذارات الكاذبة للذكاء الاصطناعي إلى 10%. والهدف ليس استبدال المطورين البشريين، بل تزويدهم بـ"مساعد" قادر على تحليل آلاف أسطر التعليمات البرمجية التي يتلقونها مسبقًا، وإنشاء تقارير آلية (بصيغة review-inline.txt) جاهزة للإرسال إلى القوائم البريدية.
من خلال هاتين المبادرتين، يخوض مجتمع لينكس غمار منطقة مجهولة، حيث لا يقوم نظام التشغيل بتنفيذ التعليمات البرمجية فحسب، بل يتعلم أيضًا كيفية تحسين نفسه وتصحيحها.
وأخيرًا، إذا كنت مهتمًا بمعرفة المزيد عن هذا الموضوع، يمكنك استشارة التفاصيل في الرابط التالي.