روش جدید یادگیری ماشین الگوهای داده های آینده را برای بهینه سازی ذخیره سازی داده ها پیش بینی می کند

محققان یک تکنیک جدید یادگیری ماشینی را توسعه داده‌اند که به سیستم‌های کامپیوتری کمک می‌کند الگوهای داده‌های آینده را پیش‌بینی کنند و نحوه ذخیره‌سازی اطلاعات را بهینه کنند. آنها دریافتند که این پیش‌بینی‌ها می‌توانند تا 40 درصد سرعت را در مجموعه داده‌های دنیای واقعی افزایش دهند.

در یک مقاله، ارسال شده به arXiv سرور پیش چاپ و به عنوان کانون توجه در کنفرانس سیستم‌های پردازش اطلاعات عصبی (NeurIPS) در دسامبر 2023، محققان دانشگاه کارنگی ملون و کالج ویلیامز به اشتراک گذاشتند که این روش جدید می‌تواند منجر به پایگاه‌های داده سریع‌تر و مراکز داده کارآمدتر شود.

آنها یک ساختار داده رایج به نام آرایه برچسب‌گذاری لیست را مورد بحث قرار دادند که اطلاعات را به ترتیب مرتب شده در حافظه رایانه ذخیره می‌کند. مرتب نگه داشتن داده‌ها به رایانه امکان می‌دهد آن‌ها را به سرعت بیابد، مانند اینکه چگونه با حروف الفبای فهرستی طولانی از نام‌ها، یافتن مکان شخصی را آسان می‌کند.

با این حال، حفظ کارآمد ترتیب مرتب شده با ورود داده های جدید می تواند چالش برانگیز باشد. تا به حال، سیستم‌های رایانه‌ای تنها می‌توانستند برای بدترین سناریو آماده شوند و دائماً داده‌ها را جابه‌جا می‌کردند تا فضا را برای موارد جدید باز کنند. این می تواند کند و از نظر محاسباتی گران باشد.

این روش جدید یادگیری ماشینی به این ساختارهای داده قدرت پیش بینی می دهد. کامپیوتر الگوهای موجود در داده های اخیر را تجزیه و تحلیل می کند تا اتفاقات بعدی را پیش بینی کند.

آیدین نیاپرست، یکی از نویسندگان این مطالعه و دکترا، گفت: «این تکنیک به سیستم‌های داده اجازه می‌دهد تا به آینده نگاه کنند و خود را در حال بهینه‌سازی کنند. دانشجوی دانشکده تجارت تپر در دانشگاه کارنگی ملون. ما یک مبادله واضح را نشان می‌دهیم—هرچه پیش‌بینی‌ها بهتر باشد، عملکرد سریع‌تر خواهد بود. حتی زمانی که پیش‌بینی‌ها به شدت خاموش هستند، سرعت همچنان سریع‌تر از حد معمول است.»

این نرم افزار با مطالب تکمیلی منتشر شده در کنار مقاله در دسترس است. محققان کد خود را برای استفاده دیگران به اشتراک گذاشته اند.

محققان می گویند این کار راه را برای استفاده بیشتر از پیش بینی های یادگیری ماشین در طراحی سیستم های کامپیوتری باز می کند. ساختارهایی مانند درخت های جستجو، جداول هش و نمودارها می توانند با پیش بینی الگوهای داده مورد انتظار هوشمندتر و سریعتر کار کنند. محققان امیدوارند که این الهام بخش راه های جدیدی برای طراحی الگوریتم ها و سیستم های مدیریت داده باشد.

بنجامین موزلی، دانشیار مدرسه تپر و یکی از نویسندگان این مطالعه، گفت: «بهینه‌سازی‌های آموخته‌شده می‌تواند منجر به پایگاه‌های داده سریع‌تر، بهبود کارایی مرکز داده و سیستم‌های عامل هوشمندتر شود. ما نشان داده‌ایم که پیش‌بینی‌ها می‌توانند محدودیت‌های بدترین موارد را شکست دهند. اما این تازه آغاز راه است – پتانسیل بسیار زیادی در این زمینه استفاده نشده است.»