ia-machine-learning-linux-kernel-ibm-chris-mason-proposals
Der Linux-Kernel, das Herzstück, das alles von Supercomputern bis hin zu Android-Handys antreibt, bereitet sich auf eine künstliche Intelligenz-Transfusion vor.
In einer koordinierten Aktion, die von IBM bis Meta reicht, haben führende Entwickler begonnen zu erforschen, wie maschinelles Lernen nicht nur beim Schreiben von Code helfen, sondern auch in den Betriebssystemkern selbst integriert werden kann, um diesen in Echtzeit zu optimieren.
Vyacheslav Dubeyko, Ein IBM-Ingenieur hat einen Vorschlag unterbreitet auf der Mailingliste der Kernel-Entwickler: Linux die Fähigkeit zur Selbstentwicklung zu verleihen. Seine Vision ist nicht zu vernachlässigen: Integrieren Sie eine Machine-Learning-Bibliothek direkt in den Kernel. damit die Subsysteme intelligente, datengestützte Entscheidungen ohne manuelle menschliche Eingriffe treffen können.
Das Konzept ist revolutionär, da wir beispielsweise Folgendes haben könnten: Dateisystem, das Festplattenausfälle vorhersagt die auftreten, oder ein Aufgabenplaner, der seine Einstellungen dynamisch anpasst Je nach Arbeitslast lernt das System aus bisherigen Nutzungsmustern. Dubeyko ist sich jedoch der technischen Herausforderungen bewusst. Der Kernel erlaubt keine direkten Gleitkommaoperationen (die für neuronale Netze unerlässlich sind), und das Trainieren eines Modells innerhalb des Kernels würde die Leistung des gesamten Systems beeinträchtigen.
Im Allgemeinen kann maschinelles Lernen ein sich selbst weiterentwickelndes Modell einführen und mit cSelbstlernfähigkeit im Linux-Kernel. Es gibt bereits Forschungsergebnisse. und die Bemühungen der Industrie, ML-Ansätze für die Konfiguration einzusetzenLinux-Kernel-Optimierung. Die Einführung von maschinellen Lernverfahren undIm Linux-Kernel ist der Weg nicht so einfach oder unkompliziert.
Su Die vorgeschlagene Lösung ist eine Hybridarchitektur.Ein Stellvertreter für das Machine-Learning-Modell innerhalb des Kernels, der als Vermittler fungiert. Die rechenintensive Arbeit (Training und komplexe Inferenz) Es würde im Benutzermodus laufen. (wo normale Anwendungen untergebracht sind), die über Schnittstellen wie sysfs mit dem Kernel kommunizieren. Dieser Proxy würde es dem Kernel ermöglichen, in verschiedenen Modi zu arbeiten.Von einem „Lernmodus“, in dem KI-Empfehlungen vorläufig getestet werden, bis hin zu einem vollständigen „Empfehlungsmodus“, wenn das Modell so weit ausgereift ist, dass es herkömmliche statische Algorithmen übertrifft.
Das kontinuierliche Lernmodell kann während der Trainingsphase eingesetzt werden. Dies bedeutet, dass das Kernel-Subsystem Empfehlungen vom maschinellen Lernmodell empfangen kann. Selbst während der Trainingsphase kann der Kernel-seitige Proxy für das maschinelle Lernmodell den aktuellen Zustand des Kernel-Subsystems abschätzen, versuchen, Empfehlungen umzusetzen und deren Effizienz bewerten.
Claude Code als Patch-Reviewer
Während IBM bestrebt ist, KI in den Kernel einzubetten, Chris Mason, Schöpfer des Btrfs-Dateisystems (und befindet sich aktuell in Meta) möchte es zum Aufbau verwenden. Mason hat Rezensionsaufforderungen veröffentlicht, ein Satz von Werkzeugen, die entwickelt wurden KI-Assistenten wie Claude Code in Experten für Code-Reviews zu verwandeln.
La Die Idee besteht darin, einen der größten Engpässe in der Linux-Entwicklung anzugehen.: Patch-Review. Masons Projekt liefert der KI den fehlenden Kontext (technische Spezifikationen von Subsystemen, Protokolldokumentation und Listen häufiger Fehler), damit sie vorgeschlagene Änderungen „rigoros“ analysieren kann. Ihr System zerlegt große Patches in kleinere Aufgaben, analysiert Aufrufdiagramme und prüft, ob die Korrekturen Vorschläge für Fehler, die von Tools wie syzkaller gemeldet werden, sind durchaus berechtigt.
Obwohl es sich noch um ein experimentelles Verfahren handelt, sind die Ergebnisse vielversprechend: Mit den richtigen Anweisungen konnte die Fehlalarmrate der KI auf 10 % gesenkt werden. Ziel ist es nicht, menschliche Wartungsmitarbeiter zu ersetzen, sondern ihnen einen „Co-Piloten“ zur Seite zu stellen, der die Tausenden von Codezeilen, die sie erhalten, vorab analysiert und automatisierte Berichte (im review-inline.txt-Format) generiert, die direkt an Mailinglisten versendet werden können.
Mit diesen beiden Initiativen begibt sich die Linux-Community auf unbekanntes Terrain, wo das Betriebssystem nicht nur Code ausführt, sondern auch lernt, sich selbst zu optimieren und zu korrigieren.
Abschließend können Sie, falls Sie mehr darüber erfahren möchten, folgende Stelle konsultieren: die Details im folgenden Link.