ia-machine-learning-linux-kernel-ibm-chris-mason-proposals
Ο πυρήνας του Linux, η καρδιά που τροφοδοτεί τα πάντα, από υπερυπολογιστές μέχρι τηλέφωνα Android, προετοιμάζεται για μια μετάγγιση τεχνητής νοημοσύνης.
Σε μια συντονισμένη κίνηση που εκτείνεται από την IBM στο Meta, βασικοί προγραμματιστές έχουν αρχίσει να διερευνούν πώς η μηχανική μάθηση μπορεί όχι μόνο να βοηθήσει στη σύνταξη κώδικα, αλλά και να ενσωματωθεί στον ίδιο τον πυρήνα του λειτουργικού συστήματος για βελτιστοποίησή του σε πραγματικό χρόνο.
Βιατσεσλάβ Ντουμπέικο, Ένας μηχανικός της IBM υπέβαλε μια πρόταση στη λίστα αλληλογραφίας των προγραμματιστών πυρήνα: να δώσει στο Linux την ικανότητα αυτοεξέλιξης. Το όραμά του δεν είναι ασήμαντο: ενσωματώστε μια βιβλιοθήκη μηχανικής μάθησης απευθείας στον πυρήνα έτσι ώστε τα υποσυστήματα να μπορούν να λαμβάνουν έξυπνες αποφάσεις βασισμένες σε δεδομένα χωρίς χειροκίνητη ανθρώπινη παρέμβαση.
Η ιδέα είναι επαναστατική, καθώς, για παράδειγμα, θα μπορούσαμε να έχουμε ένα σύστημα αρχείων που προβλέπει βλάβες δίσκου πριν που συμβαίνουν, ή ένα χρονοδιάγραμμα εργασιών που προσαρμόζει δυναμικά τις ρυθμίσεις του Ανάλογα με το φόρτο εργασίας, μαθαίνει από προηγούμενα πρότυπα χρήσης. Ωστόσο, ο Dubeyko γνωρίζει τις τεχνικές προκλήσεις. Ο πυρήνας δεν επιτρέπει άμεσα λειτουργίες κινητής υποδιαστολής (απαραίτητες για την υπολογιστική νευρωνικών δικτύων) και η εκπαίδευση ενός μοντέλου εντός του πυρήνα θα υποβάθμιζε την απόδοση ολόκληρου του συστήματος.
Σε γενικές γραμμές, η μηχανική μάθηση μπορεί να εισαγάγει ένα αυτοεξελισσόμενο μοντέλο και με cΔυνατότητα αυτοδιδασκαλίας στον πυρήνα του Linux. Υπάρχει ήδη έρευνα. και προσπάθειες του κλάδου για την αξιοποίηση προσεγγίσεων ML για τη διαμόρφωσηΒελτιστοποίηση πυρήνα Linux. Ωστόσο, η εισαγωγή προσεγγίσεων μηχανικής μάθησης καιΣτον πυρήνα του Linux, ο τρόπος δεν είναι τόσο απλός ή ξεκάθαρος.
Su Η προτεινόμενη λύση είναι μια υβριδική αρχιτεκτονικήΈνα υποκατάστατο για το μοντέλο μηχανικής μάθησης εντός του πυρήνα που λειτουργεί ως ενδιάμεσος. Η βαριά δουλειά (εκπαίδευση και σύνθετη συμπερασματολογία) Θα εκτελείται στον χώρο χρήστη (όπου βρίσκονται οι κανονικές εφαρμογές), επικοινωνώντας με τον πυρήνα μέσω διεπαφών όπως το sysfs. Αυτό το proxy θα επέτρεπε στον πυρήνα να λειτουργεί σε διαφορετικές καταστάσεις λειτουργίαςΑπό μια «λειτουργία εκμάθησης» όπου δοκιμάζει διστακτικά τις συστάσεις της Τεχνητής Νοημοσύνης, σε μια πλήρη «λειτουργία συστάσεων» όταν το μοντέλο έχει ωριμάσει αρκετά ώστε να ξεπεράσει τους παραδοσιακούς στατικούς αλγόριθμους.
Το μοντέλο συνεχούς μάθησης μπορεί να υιοθετηθεί κατά τη φάση εκπαίδευσης. Αυτό σημαίνει ότι το υποσύστημα πυρήνα μπορεί να λαμβάνει συστάσεις από το μοντέλο μηχανικής μάθησης. Ακόμα και κατά τη φάση εκπαίδευσης, ο διακομιστής μεσολάβησης από την πλευρά του πυρήνα για το μοντέλο μηχανικής μάθησης μπορεί να εκτιμήσει την τρέχουσα κατάσταση του υποσυστήματος πυρήνα, να επιχειρήσει την εφαρμογή συστάσεων και να εκτιμήσει την αποτελεσματικότητα αυτών των συστάσεων.
Κλοντ Κοντ ως κριτής ενημερώσεων κώδικα
Ενώ η IBM επιδιώκει να ενσωματώσει την Τεχνητή Νοημοσύνη στον πυρήνα, Κρις Μέισον, δημιουργός του συστήματος αρχείων Btrfs (και αυτή τη στιγμή βρίσκεται στη Μέτα), θέλει να το χρησιμοποιήσει για να το κατασκευάσει. Mason έχει δημοσιεύσει προτροπές αξιολόγησης, ένα σύνολο εργαλείων που έχουν σχεδιαστεί για να μετατρέψουν βοηθούς Τεχνητής Νοημοσύνης όπως ο Κλοντ Κοντ σε ειδικούς κριτές κώδικα.
La Η ιδέα είναι να αντιμετωπιστεί ένα από τα μεγαλύτερα εμπόδια στην ανάπτυξη Linux.: αναθεώρηση ενημέρωσης κώδικα. Το έργο του Mason παρέχει στην Τεχνητή Νοημοσύνη το ελλείπον πλαίσιο (τεχνικές προδιαγραφές υποσυστημάτων, τεκμηρίωση πρωτοκόλλου και λίστες συνηθισμένων σφαλμάτων) ώστε να μπορεί να αναλύει τις προτεινόμενες αλλαγές με «αυστηρότητα». Το σύστημά τους αναλύει τα μεγάλα patches σε μικρότερες εργασίες, αναλύει γραφήματα κλήσεων και ελέγχει εάν υπάρχουν οι διορθώσεις. Οι προτάσεις για σφάλματα που αναφέρονται από εργαλεία όπως το syzkaller είναι πράγματι έγκυρες.
Αν και είναι ακόμη σε πειραματικό στάδιο, τα αποτελέσματα είναι πολλά υποσχόμενα: Με τις σωστές οδηγίες, το ποσοστό ψευδώς θετικών αποτελεσμάτων της τεχνητής νοημοσύνης έχει μειωθεί στο 10%. Ο στόχος δεν είναι να αντικατασταθούν οι ανθρώπινοι συντηρητές, αλλά να τους δοθεί ένας «συν-πιλότος» που μπορεί να επεξεργαστεί εκ των προτέρων τις χιλιάδες γραμμές κώδικα που λαμβάνουν, δημιουργώντας αυτοματοποιημένες αναφορές (σε μορφή review-inline.txt) έτοιμες για αποστολή σε λίστες αλληλογραφίας.
Με αυτές τις δύο πρωτοβουλίες, η κοινότητα του Linux εισέρχεται σε άγνωστα εδάφη, όπου το λειτουργικό σύστημα όχι μόνο εκτελεί κώδικα, αλλά μαθαίνει επίσης να βελτιστοποιεί και να διορθώνει τον εαυτό του.
Τέλος, αν ενδιαφέρεστε να μάθετε περισσότερα σχετικά με αυτό, μπορείτε να συμβουλευτείτε τις λεπτομέρειες στον παρακάτω σύνδεσμο.