Nul
Machine learning heeft gebruikt in de afgelopen jaren af te stemmen op de prestaties van de machine van het leren zelf, dus waarom niet gebruiken om de prestaties te verbeteren op een wat meer nederige niveau, de prestaties van een webserver?
Dat is het standpunt ingenomen door onderzoekers van Facebook, die op maandag geschetst hun werk om de instellingen van de servers van het sociale netwerk van de server infrastructuur.
Het werk, dat is opgesteld door Benjamin Letham, Brian Karrer, Guilherme Ottoni en Eytan Bakshy, is gepresenteerd in een paper in the journal Bayesiaanse Analyse, en worden ook besproken in een post op Facebook het AI onderzoek blog.
Zoals alle internet-diensten, Facebook loopt zogenaamde A/B testen om te meten hoe goed servers worden uitgevoerd, wanneer deze of die variabele wordt veranderd. Iedereen die heeft gezien de verschillende versies van web-pagina ‘ s aangepast, zoals het veranderen van het uiterlijk van een knop, of de lay-out van de tekst, zullen bekend zijn met deze vorm van tweaking te optimaliseren dingen zoals click-through rates of winkelwagen te gebruiken, bijvoorbeeld op een commerce site.
Ook: Top 5: Dingen om te weten over AI TechRepublic
In het geval van dit onderzoek, de wetenschappers veranderen van de opties voor de just-in-time compiler zet Python te native x86-server code binnen de open-source web server dat Facebook gebruikt om te dienen HTTP-verzoeken, de “HipHop Virtuele Machine.”
Bijvoorbeeld, de just-in-time kan worden ingesteld om dingen te doen, zoals in-line een blok van de code. Dergelijke aanpassingen kunnen maken van de grootte van de code groter, en dus A/B-testen is nodig om erachter te komen of de snelheid van in-voering van de code is de moeite waard de trade-off van het consumeren van meer server geheugen.
De auteurs gebruik gemaakt van een aanpak genaamd “Bayesian analysis”, een vorm van ‘machine learning’ dat de nadruk legt op het gebruik van het verleden, of voorafgaande informatie aan de goddelijke een optimale oplossing. Bayes is gebruikt in de afgelopen tien jaar voor het optimaliseren van de”hyper-parameters” van machine learning zelf, zoals hoe groot om batch-grootte is of hoe snel het leren beoordelen. Omdat dergelijke Bayes-optimalisatie kan verwijderen van de sleur van het ontwerpen van hyper-parameters, de ene groep heeft bijvoorbeeld, de zogenaamde Bayesiaanse optimalisatie is een manier om te “automatiseren” machine learning.
De Facebook auteurs gebruikt Bayes uitvoeren van A/B tests met de JIT-compiler instellingen in verschillende posities. Het grote voordeel is de snelheid. Omdat de proeven moeten gedaan worden in een productie omgeving om te letten op de effecten van de verschillende instellingen, er is een premie die op het krijgen van de tests uitgevoerd door snel om te gaan met aanpassingen aan de webserver.
Ook op: Facebook pompen tot character recognition naar mijn memes
De auteurs schrijven dat in vergelijking met typische A/B-testen, waarbij een enkele wijziging in de configuratie is getest in een tijd, de Bayes-optimalisatie “ons toegestaan om het gezamenlijk afstemmen van meer parameters met minder experimenten en betere waarden.”
De sleutel hier is het woord “samen”: Bayes-mechanismen uit te sluiten van bepaalde keuzes van de configuraties zonder daadwerkelijk uitvoeren die als Een a/B test, door het extrapoleren van een gegeven A/B-test aan andere parameters, waardoor het aantal “haalbaar” configuraties. Zoals de auteurs zin van dit brede zoeken power’, Een test van de waarde van een parameter in een continue ruimte geeft ons informatie over niet alleen de uitkomst, maar ook die van de nabijgelegen punten.” Als de experimenten zijn uitgevoerd, kan het Bayesiaanse model krijgt nieuwe ervaring gegevens om verder te zoeken naar potentieel optimale configuraties, zodat de hele A/B-testen affaire kan efficiënter als het gaat samen.
Ook: Google ‘ s zusterbedrijf bestrijdt muggen met AI CNET
Een roman bijdrage van dit onderzoek met de Bayes-optimalisatie is handling noise. De auteurs merken op dat in tegenstelling tot de taak van het optimaliseren van machine learning networks, is het testen van de server-instellingen in de A/B-experimenten, er is veel lawaai in zowel de meting van de resultaten van de test – servers in de echte wereld kan een verscheidenheid van prestaties-effecten als gevolg van de wijzigingen in de instellingen – en er zijn ook “luidruchtige” beperkingen, zoals hoeft te houden, gebruik van het geheugen in een server binnen reden. Ze kwam met een methode om deze ruis in hun Bayes-algoritmen, en zij concludeerden dat de nieuwe aanpak wordt sneller geproduceerd optimale oplossingen dan andere soorten van Bayesiaanse aanpak.
Een interessante rimpel met dit soort aanpak te A/B-testen is dat sommige configuraties zal nooit het licht zien van de dag, omdat de Bayes-optimalisatie analyse voorspelt welke configuraties moet volledig worden uitgesloten, zal het elimineren van de variabelen uit te testen. De auteurs beschouwen dit als een voordeel in termen van potentieel verminderen van de drukte van het blootstellen van de gebruikers om veel verschillende experimenten.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante Onderwerpen:
Datacenters
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0