DeepMind меняет профиль игрового ИИ для оптимизации кода и инфраструктуры

Первоначально AlphaGo тренировался с использованием человеческого геймплея, затем AlphaGo Zero учился только играя против себя, затем AlphaZero делал то же самое, но также осваивал шахматы и Shogi. MuZero сделал все это и многое другое, даже не зная правил игры, которые, если подумать об этом, могут ограничить то, как он «думает» о том, как выполнить свою задачу.

В Google система под названием Borg управляет назначением задач в центрах обработки данных - в основном это анализ запросов и распределение ресурсов с небольшой скоростью, чтобы огромная технологическая компания могла выполнять работу и исследования в масштабе. Но Борг использует закодированные вручную правила для планирования задач для управления этой нагрузкой. В масштабе Google эти правила, закодированные вручную, не могут учитывать разнообразие постоянно меняющихся распределений рабочих нагрузок, создавая неэффективность, которая так же логически неизбежна, как и трудноотследима.

Но AlphaZero, подверженный данным борг, начал выявлять закономерности в использовании центра обработки данных и входящих задачах и разработал новые способы прогнозирования и управления этой нагрузкой. При применении в производстве он сократил количество недостаточно используемого оборудования до 19%, что звучит немного нереально, но даже если это верно на 50%, то это огромное улучшение «в масштабе Google».

Аналогичным образом, MuZero был приложен к работе, глядя на потоки видео YouTube, чтобы увидеть, может ли он помочь со сжатием, сложной программной областью, которая дает большие результаты для небольших оптимизаций. Сообщается, что он смог снизить битрейт видео на 4%, что опять же в масштабах YouTube довольно важно. MuZero даже попадает в сорняки сжатия, такие как группировка кадров.

AlphaDev - "родственник" AlphaZero - также улучшил алгоритмы сортировки по сравнению со стандартными в библиотеке, которую использовал Google. И это улучшило функцию хеширования для небольших диапазонов байтов (9-16), сократив нагрузку на 30%.

Эти улучшения не изменят мир сами по себе; постоянно вносятся постепенные изменения в системы разработчиков. Интересно то, что ИИ, который разработал метод решения проблем, ориентированный на выигрышные игры, смог изучить и обобщить свой подход в совершенно несвязанных областях, таких как сжатие.

Предстоит пройти долгий путь, прежде чем у нас появится «ИИ общего назначения», что бы это ни значило, но многообещающе, что в тех ИИ, которые уже созданы, есть определенная гибкость. Не только потому, что мы можем применять их к различным областям, но и потому, что это предполагает гибкость и надежность в областях, в которых они уже работают. Сообщает TechCrunch.