Zero
Macchina di apprendimento è stato utilizzato negli ultimi anni per ottimizzare le prestazioni della macchina di apprendimento di per sé, perché non usarlo per migliorare le prestazioni di un po ‘ più modesto livello, le prestazioni di un server web?
Questo è il punto di vista adottato da ricercatori Facebook, che lunedì ha delineato il loro lavoro a modificare le impostazioni di server che utilizzano il social network dell’infrastruttura server.
Il lavoro, preparato da Benjamin Letham, Brian Karrer, Guilherme Ottoni, e Eytan Bakshy, è presentato in un articolo di giornale Analisi Bayesiana, e anche discusso in un post su Facebook AI blog di ricerca.
Come tutti i servizi internet, Facebook funziona così-chiamato A/B test per misurare quanto bene i server quando questo o quello variabile è alterato. Chiunque abbia visto diverse versioni di pagine web ottimizzato, ad esempio modificare l’aspetto di un pulsante, o il layout del testo, ha familiarità con questo tipo di modifiche per ottimizzare le cose come i tassi di click-through o carrello usare, ad esempio, su un sito di e-commerce.
Anche: Top 5: le Cose da sapere riguardo AI TechRepublic
Nel caso di questa ricerca, gli scienziati hanno modificato le opzioni per il just-in-time compiler che converte Python nativo x86 server di codice all’interno di un open-source web server che Facebook usa per servire le richieste HTTP, il “hip hop Macchina Virtuale.”
Per esempio, il JIT può essere impostato per fare le cose come la linea di un determinato blocco di codice. Tali regolazioni possono rendere il codice di dimensioni più grandi, e quindi il test A/B è necessaria per capire se la velocità di una fodera codice vale il trade-off di consumo di memoria del server.
Gli autori hanno utilizzato un approccio chiamato “analisi Bayesiana,” una forma di apprendimento automatico, che enfatizza l’uso di passato, o prima, informazioni divino, una soluzione ottimale. Bayesiano è stato utilizzato negli ultimi dieci anni per ottimizzare la”hyper-parametri” di apprendimento della macchina stessa, come le dimensioni dimensioni del batch o come rapida il tasso di apprendimento. Perché tali Bayesiano ottimizzazione può rimuovere la fatica di progettazione di hyper-parametri, uno di un gruppo, per esempio, chiamato Bayesiano ottimizzazione di un modo per “automatizzare” il machine learning.
L’Facebook autori Bayesiano per l’esecuzione dei test A/B con il compilatore JIT impostazioni in diverse posizioni. Il grande vantaggio è la velocità. Perché il test deve essere fatto in un ambiente di produzione al fine di osservare gli effetti delle diverse impostazioni, c’è un premio disposto su come ottenere il test fatto in fretta per poter andare avanti con le modifiche al server web.
Anche: Facebook pompe di riconoscimento dei caratteri, il mio meme
Gli autori scrivono che rispetto ai tradizionali test A/B, dove un singolo cambiamento nella configurazione è stata testata in un momento, il filtro Bayesiano di ottimizzazione “ci ha permesso di mettere in comune la melodia più parametri con un minor numero di esperimenti e trovare i valori migliori.”
La chiave qui è la parola “comune”: Bayesiano meccanismi regola di alcune scelte di configurazioni, senza aver bisogno di eseguire tali come Un a/B test, estrapolando da un dato test A/B per altri parametri, per limitare il numero di “fattibile” configurazioni”. Come gli autori frase di questa ampia ricerca del potere”, Una prova del valore di un parametro in uno spazio continuo, permette di ottenere informazioni non solo per il risultato, ma anche quelli dei punti vicini.” Come esperimenti, il modello Bayesiano guadagni nuova esperienza per restringere ulteriormente la ricerca potenzialmente le configurazioni ottimali, in modo che il test A/B affare può diventare più efficienti, come si va.
Anche Google: la società sorella lotte zanzare con AI CNET
Un nuovo contributo di questa ricerca Bayesiana di ottimizzazione è la gestione del rumore. Gli autori fanno notare che, a differenza del compito di ottimizzare la macchina di reti di apprendimento, quando uno è un server di prova impostazioni A/B esperimenti, c’è un sacco di rumore in entrambi la misurazione dei risultati del test – server nel mondo reale può avere una varietà di impatto sulle prestazioni come conseguenza di cambiamenti nelle impostazioni – e ci sono anche il “rumore” dei vincoli, come la necessità di tenere l’utilizzo della memoria in un server all’interno di motivo. Si avvicinò con un metodo per risolvere tale disturbo nei loro algoritmi Bayesiani, e hanno concluso che il nuovo approccio più facilmente prodotte soluzioni ottimali rispetto ad altri tipi di approccio Bayesiano.
Un interessante rughe con questo tipo di approccio al test A/B è che alcune configurazioni non vedrà mai la luce del giorno: perché la Bayesiani per l’analisi di ottimizzazione prevede che le configurazioni dovrebbero essere del tutto escluso, si occuperà di eliminare quelle variabili da test. Gli autori considerano questo un vantaggio in termini di ridurre potenzialmente il tumulto di esporre gli utenti a un sacco di diversi esperimenti.
Precedente e relativa copertura:
Che cosa è l’IA? Tutto quello che devi sapere
Un esecutivo a guida di intelligenza artificiale, machine learning e generale AI alle reti neurali.
Cos’è il deep learning? Tutto quello che devi sapere
Il lowdown su deep learning: da come si relaziona con il più ampio campo di machine learning a come iniziare con esso.
Che cosa è macchina di apprendimento? Tutto quello che devi sapere
Questa guida spiega in cosa consiste la macchina di apprendimento, di come esso è legato all’intelligenza artificiale, come funziona e perché è importante.
Che cos’è il cloud computing? Tutto quello che devi sapere su
Un’introduzione al cloud computing destra, dalle nozioni di base fino a IaaS e PaaS, ibrido, public e private cloud.
Argomenti Correlati:
Centri Dati
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0