IA-mašinsko-učenje-linux-kernel-ibm-chris-mason-prijedlozi
Linux kernel, srce koje pokreće sve, od superračunara do Android telefona, priprema se za transfuziju vještačke inteligencije.
U koordiniranom potezu koji se proteže od IBM-a do Mete, ključni programeri su počeli istraživati kako mašinsko učenje ne samo da može pomoći u pisanju koda, već i biti integrirano u sam kernel operativnog sistema kako bi se optimiziralo u realnom vremenu.
Vjačeslav Dubejko, IBM-ov inženjer je pokrenuo prijedlog na mailing listi programera kernela: da se Linuxu da mogućnost samoevolucije. Njegova vizija nije beznačajna: integrirati biblioteku za mašinsko učenje direktno u kernel tako da podsistemi mogu donositi inteligentne odluke zasnovane na podacima, bez ručne ljudske intervencije.
Koncept je revolucionaran, jer bismo, na primjer, mogli imati datotečni sistem koji predviđa kvarove diska prije koje se javljaju, ili planer zadataka koji dinamički prilagođava svoje postavke U zavisnosti od radnog opterećenja, uči se iz prošlih obrazaca korištenja. Međutim, Dubeyko je svjestan tehničkih izazova. Jezgro ne dozvoljava direktno operacije sa pomičnim zarezom (što je neophodno za računarstvo neuronskih mreža), a treniranje modela unutar jezgra bi degradiralo performanse cijelog sistema.
Općenito govoreći, mašinsko učenje može uvesti samorazvijajući model i sa cMogućnost samoučenja u Linux kernelu. Istraživanje već postoji. i napori industrije da se primijene ML pristupi za konfiguracijuOptimizacija Linux kernela. Međutim, uvođenje pristupa mašinskog učenja iU Linux kernelu, način nije tako jednostavan ili direktan.
Su Predloženo rješenje je hibridna arhitekturaZamjena za model mašinskog učenja unutar kernela koja djeluje kao posrednik. Teški poslovi (trening i kompleksno zaključivanje) Radilo bi u korisničkom prostoru (gdje se nalaze normalne aplikacije), komunicirajući s kernelom putem interfejsa kao što je sysfs. Ovaj proxy bi omogućio kernelu da radi u različitim režimimaOd "režima učenja" gdje se probno testiraju preporuke umjetne inteligencije, do potpunog "režima preporuke" kada model dovoljno sazrije da nadmaši tradicionalne statičke algoritme.
Model kontinuiranog učenja može se usvojiti tokom faze obuke. To znači da podsistem jezgra može primati preporuke od modela mašinskog učenja. Čak i tokom faze obuke, proxy na strani jezgra za model mašinskog učenja može procijeniti trenutno stanje podsistema jezgra, pokušati implementirati preporuke i procijeniti efikasnost tih preporuka.
Claude Code kao recenzent zakrpa
Dok IBM nastoji ugraditi umjetnu inteligenciju u kernel, Chris Mason, tvorac datotečnog sistema Btrfs (i trenutno u Meti), želi ga koristiti za izgradnju. Mason je objavio/la upite za recenziju, set alata dizajniranih pretvoriti AI asistente poput Claudea Codea u stručne recenzente koda.
La Ideja je rješavanje jednog od najvećih uskih grla u razvoju Linuxa.: pregled zakrpe. Masonov projekat pruža AI-u nedostajući kontekst (tehničke specifikacije podsistema, dokumentaciju protokola i liste uobičajenih grešaka) kako bi mogao analizirati predložene promjene sa "rigoroznošću". Njihov sistem razlaže velike zakrpe na manje zadatke, analizira grafove poziva i provjerava da li su ispravke Prijedlozi za greške koje prijavljuju alati poput syzkallera su zaista valjani.
Iako je još uvijek eksperimentalno, rezultati su obećavajući: Uz prave upute, stopa lažno pozitivnih rezultata umjetne inteligencije pala je na 10%. Cilj nije zamijeniti ljudske održavatelje, već im dati "kopilota" koji može unaprijed obraditi hiljade linija koda koje prime, generirajući automatske izvještaje (u formatu review-inline.txt) spremne za slanje na mailing liste.
S ove dvije inicijative, Linux zajednica se upušta u nepoznato područje, gdje operativni sistem ne samo da izvršava kod, već i uči da se optimizuje i ispravlja.
Konačno, ako ste zainteresirani da saznate više o ovome, možete se konsultovati detalje na sljedećem linku.