иа-машинско-учење-линукс-кернел-ибм-крис-мејсон-предлози
Линуксово језгро, срце које покреће све, од суперрачунара до Андроид телефона, припрема се за трансфузију вештачке интелигенције.
У координисаном потезу који се протеже од IBM-а до Meta-е, кључни програмери су почели да истражују како машинско учење може не само да помогне у писању кода, већ и да се интегрише у сам кернел оперативног система како би га оптимизовало у реалном времену.
Вјачеслав Дубејко, Инжењер једног IBM-а је покренуо предлог на мејлинг листи програмера кернела: да би се Линуксу дала могућност самоеволуције. Његова визија није безначајна: интегришите библиотеку за машинско учење директно у језгро тако да подсистеми могу доносити интелигентне, на подацима засноване одлуке без ручне људске интервенције.
Концепт је револуционаран, јер бисмо, на пример, могли имати фајл систем који предвиђа кварове диска пре које се дешавају, или распоред задатака који динамички прилагођава своја подешавања У зависности од оптерећења, учи се из прошлих образаца коришћења. Међутим, Дубејко је свестан техничких изазова. Језгро не дозвољава директно операције са покретним зарезом (неопходне за рачунарство неуронских мрежа), а тренирање модела унутар језгра би смањило перформансе целог система.
Генерално говорећи, машинско учење може увести саморазвијајући модел и са cМогућност самоучења у Линукс кернелу. Истраживање већ постоји. и напори индустрије да примени приступе машинског учења за конфигурацијуОптимизација језгра Линукса. Међутим, увођење приступа машинском учењу иУ Линуксовом кернелу, начин није тако једноставан или директан.
Su Предложено решење је хибридна архитектураЗамена за модел машинског учења унутар језгра који делује као посредник. Тежак посао (обука и комплексно закључивање) Радило би у корисничком простору (где се налазе нормалне апликације), комуницирајући са кернелом преко интерфејса као што је sysfs. Овај прокси би омогућио језгру да ради у различитим режимимаОд „режима учења“ где се прелиминарно тестирају препоруке вештачке интелигенције, до потпуног „режима препоруке“ када је модел довољно сазрео да надмаши традиционалне статичке алгоритме.
Модел континуираног учења може се усвојити током фазе обуке. То значи да подсистем језгра може примати препоруке од модела машинског учења. Чак и током фазе обуке, прокси на страни језгра за модел машинског учења може проценити тренутно стање подсистема језгра, покушати да имплементира препоруке и проценити ефикасност тих препорука.
Клод Код као рецензент закрпа
Иако IBM настоји да угради вештачку интелигенцију у језгро, Крис Мејсон, творац фајл система Btrfs (и тренутно у Мети), жели да га користи за његову изградњу. Мејсон је објавио/ла захтеве за рецензију, скуп алата дизајнираних да се вештачки асистенти попут Клода Кода претворе у стручне рецензенте кода.
La Идеја је да се реши једно од највећих уских грла у развоју Линукса: преглед закрпе. Мејсонов пројекат пружа вештачкој интелигенцији недостајући контекст (техничке спецификације подсистема, документацију протокола и листе уобичајених грешака) како би могла да анализира предложене измене са „ригорозношћу“. Њихов систем разлаже велике закрпе на мање задатке, анализира графиконе позива и проверава да ли су исправке Предлози за грешке које пријављују алати попут syzkaller-а су заиста валидни.
Иако је још увек експериментално, резултати су обећавајући: Уз правилна упутства, стопа лажно позитивних резултата вештачке интелигенције пала је на 10%. Циљ није да се замене људски одржаваоци, већ да им се пружи „копилот“ који може унапред да обради хиљаде линија кода које приме, генеришући аутоматизоване извештаје (у формату review-inline.txt) спремне за слање на мејлинг листе.
Са ове две иницијативе, Линукс заједница улази у непознату територију, где оперативни систем не само да извршава код, већ и учи да се оптимизује и исправља.
Коначно, ако сте заинтересовани да сазнате више о овоме, можете се консултовати детаље у следећем линку.