লিনাক্স কার্নেলে এআই: আইবিএম স্ব-অপ্টিমাইজেশন প্রস্তাব করে এবং ক্রিস ম্যাসন স্বয়ংক্রিয় পর্যালোচকদের প্রস্তাব করে

লিনাক্স কার্নেল, যে হৃদয় সুপার কম্পিউটার থেকে শুরু করে অ্যান্ড্রয়েড ফোন পর্যন্ত সবকিছুকে শক্তি দেয়, তা কৃত্রিম বুদ্ধিমত্তা স্থানান্তরের জন্য প্রস্তুতি নিচ্ছে।

আইবিএম থেকে মেটা পর্যন্ত সমন্বিত পদক্ষেপের মাধ্যমে, মূল ডেভেলপাররা অন্বেষণ শুরু করেছেন যে কীভাবে মেশিন লার্নিং কেবল কোড লিখতেই সাহায্য করে না, বরং অপারেটিং সিস্টেম কার্নেলের সাথেই এটিকে রিয়েল টাইমে অপ্টিমাইজ করার জন্য একীভূত করা যায়।

ব্যাচেস্লাভ দুবেইকো, একজন আইবিএম ইঞ্জিনিয়ার একটি প্রস্তাব চালু করেছেন কার্নেল ডেভেলপারদের মেইলিং লিস্টে: লিনাক্সকে স্ব-বিবর্তনের ক্ষমতা প্রদান করা। তার দৃষ্টিভঙ্গি তুচ্ছ নয়: কার্নেলের সাথে সরাসরি একটি মেশিন লার্নিং লাইব্রেরি সংহত করুন যাতে সাবসিস্টেমগুলি ম্যানুয়াল মানব হস্তক্ষেপ ছাড়াই বুদ্ধিমান, ডেটা-চালিত সিদ্ধান্ত নিতে পারে।

ধারণাটি বিপ্লবী, যেহেতু, উদাহরণস্বরূপ, আমরা একটি থাকতে পারি ফাইল সিস্টেম যা আগে ডিস্ক ব্যর্থতার পূর্বাভাস দেয় যা ঘটে, অথবা একটি টাস্ক শিডিউলার যা গতিশীলভাবে এর সেটিংস সামঞ্জস্য করে কাজের চাপের উপর নির্ভর করে, এটি অতীতের ব্যবহারের ধরণ থেকে শিক্ষা নেয়। তবে, দুবেইকো প্রযুক্তিগত চ্যালেঞ্জগুলি সম্পর্কে সচেতন। কার্নেল সরাসরি ফ্লোটিং-পয়েন্ট অপারেশনগুলিকে অনুমতি দেয় না (নিউরাল নেটওয়ার্ক কম্পিউটিংয়ের জন্য অপরিহার্য), এবং কার্নেলের মধ্যে একটি মডেলকে প্রশিক্ষণ দিলে পুরো সিস্টেমের কর্মক্ষমতা হ্রাস পাবে।

সাধারণভাবে বলতে গেলে, মেশিন লার্নিং একটি স্ব-বিকশিত মডেল প্রবর্তন করতে পারে এবং c সহলিনাক্স কার্নেলে স্ব-শিক্ষার ক্ষমতা। গবেষণা ইতিমধ্যেই বিদ্যমান। এবং কনফিগারেশনের জন্য ML পদ্ধতি ব্যবহার করার জন্য শিল্প প্রচেষ্টালিনাক্স কার্নেল অপ্টিমাইজেশন। তবে, মেশিন লার্নিং পদ্ধতির প্রবর্তন এবংলিনাক্স কার্নেলে, উপায়টি এত সহজ বা সোজা নয়।

Su প্রস্তাবিত সমাধান হল একটি হাইব্রিড স্থাপত্যকার্নেলের মধ্যে মেশিন লার্নিং মডেলের জন্য একটি প্রক্সি যা মধ্যস্থতাকারী হিসেবে কাজ করে। ভারী উত্তোলন (প্রশিক্ষণ এবং জটিল অনুমান) এটি ব্যবহারকারীর স্থানে চলবে (যেখানে সাধারণ অ্যাপ্লিকেশন থাকে), sysfs এর মতো ইন্টারফেসের মাধ্যমে কার্নেলের সাথে যোগাযোগ করে। এই প্রক্সি কার্নেলকে বিভিন্ন মোডে কাজ করার অনুমতি দেবেএকটি "শিক্ষার মোড" থেকে যেখানে এটি পরীক্ষামূলকভাবে AI সুপারিশ পরীক্ষা করে, একটি সম্পূর্ণ "সুপারিশ মোড" পর্যন্ত যখন মডেলটি ঐতিহ্যবাহী স্ট্যাটিক অ্যালগরিদমকে ছাড়িয়ে যাওয়ার জন্য যথেষ্ট পরিপক্ক হয়।

প্রশিক্ষণ পর্বের সময় ক্রমাগত শেখার মডেল গ্রহণ করা যেতে পারে। এর অর্থ হল কার্নেল সাবসিস্টেম মেশিন লার্নিং মডেল থেকে সুপারিশ গ্রহণ করতে পারে। প্রশিক্ষণ পর্বের সময়ও, মেশিন লার্নিং মডেলের কার্নেল-সাইড প্রক্সি কার্নেল সাবসিস্টেমের বর্তমান অবস্থা অনুমান করতে পারে, সুপারিশ বাস্তবায়নের চেষ্টা করতে পারে এবং সেই সুপারিশগুলির দক্ষতা অনুমান করতে পারে।

প্যাচ পর্যালোচক হিসেবে ক্লড কোড

যদিও আইবিএম কার্নেলের মধ্যে এআই এম্বেড করতে চায়, ক্রিস ম্যাসন, বিটিআরএফএস ফাইল সিস্টেমের স্রষ্টা (এবং বর্তমানে মেটাতে), এটি তৈরিতে এটি ব্যবহার করতে চায়। ম্যাসন পর্যালোচনার প্রম্পট প্রকাশ করেছে, ডিজাইন করা সরঞ্জামের একটি সেট ক্লড কোডের মতো এআই সহকারীদের বিশেষজ্ঞ কোড পর্যালোচকে পরিণত করা।

La ধারণাটি হল লিনাক্স ডেভেলপমেন্টের সবচেয়ে বড় বাধাগুলির একটি মোকাবেলা করা।: প্যাচ পর্যালোচনা। ম্যাসনের প্রকল্পটি AI-কে অনুপস্থিত প্রেক্ষাপট (সাবসিস্টেমের প্রযুক্তিগত বৈশিষ্ট্য, প্রোটোকল ডকুমেন্টেশন এবং সাধারণ ত্রুটির তালিকা) প্রদান করে যাতে এটি "কঠোরতার" সাথে প্রস্তাবিত পরিবর্তনগুলি বিশ্লেষণ করতে পারে। তাদের সিস্টেম বড় প্যাচগুলিকে ছোট ছোট কাজে বিভক্ত করে, কল গ্রাফ বিশ্লেষণ করে এবং সংশোধন করা হয়েছে কিনা তা পরীক্ষা করে। syzkaller এর মতো টুল দ্বারা রিপোর্ট করা ত্রুটির প্রস্তাবগুলি প্রকৃতপক্ষে বৈধ।

যদিও এটি এখনও পরীক্ষামূলক, ফলাফল আশাব্যঞ্জক: সঠিক নির্দেশনার মাধ্যমে, AI-এর মিথ্যা পজিটিভ হার ১০%-এ নেমে এসেছে। লক্ষ্য মানব রক্ষণাবেক্ষণকারীদের প্রতিস্থাপন করা নয়, বরং তাদের এমন একটি "সহ-পাইলট" প্রদান করা যা তাদের প্রাপ্ত হাজার হাজার লাইন কোড আগে থেকে হজম করতে পারে, স্বয়ংক্রিয় প্রতিবেদন তৈরি করে (review-inline.txt ফর্ম্যাটে) যা মেইলিং তালিকায় পাঠানোর জন্য প্রস্তুত।

এই দুটি উদ্যোগের মাধ্যমে, লিনাক্স সম্প্রদায় অজানা অঞ্চলে প্রবেশ করছে, যেখানে অপারেটিং সিস্টেম কেবল কোড কার্যকর করে না, বরং নিজেকে অপ্টিমাইজ এবং সংশোধন করতেও শেখে।

পরিশেষে, যদি আপনি এই বিষয়ে আরও জানতে আগ্রহী হন, তাহলে আপনি পরামর্শ নিতে পারেন নিম্নলিখিত লিঙ্কে বিশদ।