近年來，機器學習已經被使用來調整機器學習本身的性能，因此為什么不使用它來改善在某種程度上更高的級別上的性能：Web服務器的性能？

這是Facebook研究人員的觀點，他們周一概述了他們對運行社交網絡服務器基礎設施的服務器設置進行調整的工作。

由Benjaminethleam、BrianKarrer、GuerhermeOttoni和EytanBakshex編寫的作品，在《貝葉斯分析》中的一篇論文中給出，并在Facebook的人工智能研究博客上發表了一篇文章。

與所有的Internet服務一樣，Facebook運行所謂的A/B測試來衡量服務器在此變量或該變量更改時運行的方式。任何看到不同版本的網頁修改的人，比如改變按鈕的外觀，或者文本的布局，都會熟悉這種調整，以優化諸如點擊率或購物車在商業網站上使用的東西。

還有：前5名：關于AI TechRepublic的事情

在本研究的情況下，科學家們改變了即時編譯器的選項，它將Python轉換為Facebook用來服務HTTP請求的開源Web服務器內部的本機x86服務器代碼，該"Hipopp虛擬機。"

例如，可以將JIT設置為執行類似于給定代碼塊的在線操作。這樣的調整可以使代碼的大小更大，因此需要進行A/B測試，以確定內聯代碼的速度是否值得在消耗更多服務器內存的情況下進行權衡。

作者使用了一種叫做“貝葉斯分析”的方法，這是一種機器學習的形式，它強調使用過去或先前的信息來預測最優的解決方案。在過去的十年中，貝葉斯已經被用來優化機器學習本身的“超參數”，例如批量大小的大小或學習速度的速度。因為這樣的貝葉斯優化可以消除設計超參數的繁瑣工作，例如，有一組人將貝葉斯優化稱為“自動化”機器學習的一種方法。

Facebook作者用貝葉斯方法在不同的不同位置對JIT編譯器的設置進行A/B測試。大的優勢是速度。由于必須在生產環境中進行測試，以觀察不同設置的效果，因此，在快速完成測試的過程中，有一個額外的優勢，以便隨著對Web服務器的更改而向前移動。

作者認為，與典型的A/B測試相比，在一次測試配置的單一變化時，貝葉斯優化"允許我們用更少的實驗共同調諧更多的參數，并找到較好的值。"

這里的關鍵是Word"聯合"：貝葉斯機制排除了某些配置的選擇，而不必實際運行這些配置作為A/B測試，從給定的A/B測試到其他參數進行外推，以縮小"可行的"配置的數量。隨著作者對這個廣泛的搜索能力的理解，在連續空間中對參數值的測試不僅給出了它的結果，而且給出了附近點的信息。當進行實驗時，貝葉斯模型獲得了新的體驗數據，從而進一步縮小搜索的潛在最優配置，因此整個A/B測試事務隨著IT的發展而變得更加高效。

還有：谷歌的姐妹公司用人工智能CNET對抗蚊子

貝葉斯優化研究的一個新貢獻是處理噪聲。作者指出，與優化機器學習網絡的任務不同，在A/B實驗中測試服務器設置時，測試結果的測量都存在很大的噪聲--現實世界中的服務器可能會因設置的變化而產生各種性能影響，而且還存在“噪音”限制，例如需要將服務器的內存使用保持在合理的范圍內。他們在貝葉斯算法中提出了一種解決這種噪聲的方法，他們的結論是，與其他類型的貝葉斯方法相比，新方法更容易產生最優解。

這種A/B測試方法的一個有趣的缺點是，某些配置永遠看不到曙光：因為貝葉斯優化分析預測應該完全排除哪種配置，它將從測試中消除這些變量。作者認為這是一種潛在的優勢，因為它可以減少將用戶暴露在許多不同實驗中的混亂。

文章題目：Facebook招募人工智能來調整網絡服務器性能
網頁鏈接：http://m.newbst.com/news28/101928.html

成都網站建設公司_創新互聯，為您提供虛擬主機、做網站、營銷型網站建設、靜態網站、網站導航、網站改版

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯