|
14 – Laboratoriya mashg’uloti. RAY: SUN’IY INTELLEKT UCHUN TAQSIMLANGAN TIZIM.
Ishning maqsadi:
1. Sun’iy intellekt uchun taqsimlangan tizimlar haqida tushunchaga ega bo’lish
Sun’iy intellekt uchun taqsimlangan tizimini o‘rganish
Nazariy ma’lumot
Sun’iy intellekt tizimlarining paydo bo‘lishi. O‘tgan asrning 80-yillari boshlarida sun’iy intellekt ishlab chiqishda mustaqil yo‘nalish shakllangan bo‘lib, u “ekspert tizimlar” deb nomlandi. Ekspertning (yoki ekspertlar guruhining) o‘rnini egallashi hamda murakkab muammolarni qisqa vaqt ichida bartaraf etish bo‘yicha tavsiyalar berish mumkin bo‘lgan intellektual tizimlar,birinchi navbatda, harbiylarga kerak bo‘ldi, keyin tibbiyot xodimlariga, undan keyin esa bunday tizimlarni joriy qilish bilan inson faoliyatining hamma soha mutaxassislari shug‘ullana boshladi. Ishlanmalarning maqsadi – murakkab funksiyalarni bajarishda natija beradigan, ekspert yoki mutaxassis-ekspertlar guruhi taklif qilgan yechimlardan sifat va samaradorligi bo‘yicha qolishmaydigan dastur yaratishdir. Ekspert tizimlarning ishlab chiqaruvchilari o‘z fanlari nomi uchunE. Feygenbaum tomonidan kiritilgan “bilimlar injeneriyasi” degan atamadan foydalandilar. Ushbu atama mazkur bilim sohasi nomi sifatida keyinchalik keng tarqaldi. Mantiqiy xulosa chiqarish tizimlaridan (ekspert tizimlaridan) tashqari boshqa yo‘nalishlar ham rivojlantirildi (masalan, neyron tarmoqlar). Obrazlarni farqlay olish uchun tizimlar, jumladan, tabiiy tilni idrok qiladigan tizimlar paydo bo‘ldi. Ba’zi ishlanmalar foydalanishda shu darajada qulay bo‘ldiki, ularning tijorat analoglari ham paydo bo‘la boshladi.
Mashinani o'rganish algoritmlari va texnikasi rivojlangani sayin, tobora ko'proq mashinani o'rganish ilovalari bir nechta mashinalarni talab qiladi va parallelizmdan foydalanishi kerak. Biroq, klasterlarda mashinani o'rganish uchun infratuzilma vaqtinchalik bo'lib qolmoqda. Muayyan foydalanish holatlari uchun yaxshi echimlar (masalan, parametr serverlari yoki giperparametrlarni qidirish) va AIdan tashqarida yuqori sifatli taqsimlangan tizimlar (masalan, Hadoop yoki Spark) mavjud bo'lsa-da, chegarada algoritmlarni ishlab chiquvchi amaliyotchilar ko'pincha noldan o'zlarining tizim infratuzilmasini quradilar. Bu juda ko'p ortiqcha harakatlarni anglatadi.
Misol sifatida, o'rganishni kuchaytirish uchun Evolyutsiya strategiyalari kabi kontseptual jihatdan oddiy algoritmni oling. Algoritm psevdokodning o'nlab qatorlarini o'z ichiga oladi va uning Python dasturi bundan ko'p narsani talab qilmaydi. Shu bilan birga, algoritmni kattaroq mashina yoki klasterda samarali ishlatish ancha ko'proq dasturiy ta'minot muhandisligini talab qiladi. Mualliflarning amalga oshirishi minglab kod satrlarini o'z ichiga oladi va aloqa protokollarini, xabarlarni ketma-ketlashtirish va seriyadan chiqarish strategiyalarini va turli xil ma'lumotlarni qayta ishlash strategiyalarini belgilashi kerak.
Reyning maqsadlaridan biri amaliyotchilarga noutbukda ishlaydigan prototip algoritmini klasterda (yoki bitta ko‘p yadroli mashinada) samarali ishlaydigan yuqori samarali taqsimlangan ilovaga aylantirish imkonini berishdir. Bunday tizim foydalanuvchidan rejalashtirish, ma'lumotlarni uzatish va mashina nosozliklari haqida fikr yuritishni talab qilmasdan qo'lda optimallashtirilgan tizimning ishlash afzalliklarini o'z ichiga olishi kerak.
AI uchun ochiq manbali ramka
Chuqur o'rganish tizimlari bilan aloqasi: Rey TensorFlow, PyTorch va MXNet kabi chuqur o'rganish tizimlari bilan to'liq mos keladi va ko'plab ilovalarda Rey bilan bir qatorda bir yoki bir nechta chuqur o'rganish ramkalaridan foydalanish tabiiydir (masalan, bizning mustahkamlovchi o'quv kutubxonalarimiz TensorFlow-dan foydalanadilar. va PyTorch kuchli).
Boshqa taqsimlangan tizimlar bilan aloqasi: Bugungi kunda ko'plab mashhur taqsimlangan tizimlar qo'llanilmoqda, lekin ularning aksariyati AI ilovalari bilan ishlab chiqilmagan va qo'llab-quvvatlash uchun talab qilinadigan unumdorlik va AI ilovalarini ifodalash uchun API'larga ega emas. Bugungi tarqatilgan tizimlarda quyidagi xususiyatlar etishmayapti (turli kombinatsiyalarda):
Millisoniya darajasidagi vazifalarni va soniyada millionlab vazifalarni qo'llab-quvvatlash
Ichki parallellik (vazifalar ichidagi vazifalarni parallellashtirish, masalan, giperparametr qidiruvi ichidagi parallel simulyatsiyalar) (quyidagi rasmga qarang)
Ish vaqtida dinamik ravishda aniqlangan o'zboshimchalik bilan vazifaga bog'liqlik (masalan, sekin ishchilarni kutmaslik uchun)
Umumiy o'zgaruvchan holatda ishlaydigan vazifalar (masalan, neyron net og'irliklari yoki simulyator)
Heterojen resurslarni qo'llab-quvvatlash (CPU, GPU va boshqalar)
Do'stlaringiz bilan baham: |
