İsviçreli BT şirketinin taklitçiliği, yapay zekanın yardımıyla programlamadaki öğelerin sınıflandırılmasını daha da hızlandırmayı başardı. Derin Güçlendirilmiş Öğrenme tabanlı teknoloji, Google DeepMind’ın temelinde yatan AlphaDev yaklaşımının çok ötesine geçer. Mimicry, 28 yerine 12 talimat kullanan, yüzde 43 ila 69 daha hızlı çıktıya sahip dört öğeli bir sıralama algoritması bulduğunu söylüyor. Benzer şekilde, üç öğeli sıralamaya yönelik bir algoritma, mimariye bağlı olarak yüzde 9 daha yavaş ila yüzde 41 arasında daha hızlıydı; 17 komut yerine 9 komutla.
Duyuru
Libc++ standardıyla karşılaştırıldığında hem AlphaDev hem de taklit, birden fazla mimaride ortalama olarak önemli ölçüde daha hızlıdır.
(Resim: taklit)
Bu ilerleme özellikle, öğeleri doğrudan sıralamak yerine sıralamayı gösteren, karıştırma vektörleri adı verilen yeni bir yaklaşıma dayanmaktadır. Yani sıralanacak vektöre shuffle vektörünü uygularsanız sıralanan eleman ortaya çıkar. İdeal karıştırma vektörlerinin aranmasında deep RL kullanılır, eğer varsa CPU’nun vektör işlemcisinden (SIMD) en iyi şekilde yararlanılır ve azaltılmış talimat seti kullanılır.
AlphaDev’in orijinal yaklaşımı (Haziran 2023), ideal sıralama algoritmalarını aramak için derin RL yöntemlerini tanıtıyor. deep RL, takviyeli öğrenmeye (RL) dayanır ve bunu sinir ağlarıyla destekler. RL ile yapay zeka aracısı veri toplamadan eğitim alır, bunun yerine deneme yanılma yoluyla ideal sonuca yaklaşır. Bu konsept aynı zamanda örneğin robotik alanında da umut vericidir. Taklit, yapay zekanın yanı sıra klasik mühendislik başarılarını da öne çıkarıyor: “Bulgularımız, daha iyi yazılımlar oluşturmak ve yeni rutinler bulmak için insan dehasını yapay zeka tabanlı araçlarla birleştirmenin faydalarını gösteriyor.”
14 talimatlı imzasız değerler için SIMD içermeyen skalerSort3 algoritması.
(Resim: taklit)
Kurumsal taklit, yapay zeka yöntemlerini de kullanan otomatik süreçler aracılığıyla şirketlerdeki güncelliğini yitirmiş yazılımların güncellenmesinde uzmanlaşmıştır. Yeni algoritmanın açıklamasını şirket blogunda veya GitHub’daki Apache 2 lisansı altındaki kaynaklarda bulabilirsiniz.
(DSÖ)
Haberin Sonu
Duyuru
Libc++ standardıyla karşılaştırıldığında hem AlphaDev hem de taklit, birden fazla mimaride ortalama olarak önemli ölçüde daha hızlıdır.
(Resim: taklit)
Bu ilerleme özellikle, öğeleri doğrudan sıralamak yerine sıralamayı gösteren, karıştırma vektörleri adı verilen yeni bir yaklaşıma dayanmaktadır. Yani sıralanacak vektöre shuffle vektörünü uygularsanız sıralanan eleman ortaya çıkar. İdeal karıştırma vektörlerinin aranmasında deep RL kullanılır, eğer varsa CPU’nun vektör işlemcisinden (SIMD) en iyi şekilde yararlanılır ve azaltılmış talimat seti kullanılır.
AlphaDev’in orijinal yaklaşımı (Haziran 2023), ideal sıralama algoritmalarını aramak için derin RL yöntemlerini tanıtıyor. deep RL, takviyeli öğrenmeye (RL) dayanır ve bunu sinir ağlarıyla destekler. RL ile yapay zeka aracısı veri toplamadan eğitim alır, bunun yerine deneme yanılma yoluyla ideal sonuca yaklaşır. Bu konsept aynı zamanda örneğin robotik alanında da umut vericidir. Taklit, yapay zekanın yanı sıra klasik mühendislik başarılarını da öne çıkarıyor: “Bulgularımız, daha iyi yazılımlar oluşturmak ve yeni rutinler bulmak için insan dehasını yapay zeka tabanlı araçlarla birleştirmenin faydalarını gösteriyor.”
14 talimatlı imzasız değerler için SIMD içermeyen skalerSort3 algoritması.
(Resim: taklit)
Kurumsal taklit, yapay zeka yöntemlerini de kullanan otomatik süreçler aracılığıyla şirketlerdeki güncelliğini yitirmiş yazılımların güncellenmesinde uzmanlaşmıştır. Yeni algoritmanın açıklamasını şirket blogunda veya GitHub’daki Apache 2 lisansı altındaki kaynaklarda bulabilirsiniz.
(DSÖ)
Haberin Sonu