مقالات

محیط‌های رایانش ابری مدرن برای پاسخ‌گویی به بارهای کاری بسیار پویا، بیش‌ازپیش به ریزخدمت‌های مستقر در خوشه‌های کانتینری متکی هستند. مدیریت کارآمد منابع برای حفظ تأخیر پایین زمان اجرا و کاهش مصرف حافظه و سایر منابع ضروری است. روش‌های سنتی مقیاس‌دهی خودکارِ ایستا یا مبتنی بر قواعد، به‌ویژه هنگام تغییر سریع تقاضا، با تخصیص بیش‌ازحد و اتلاف حافظه و هزینه یا تخصیص ناکافی و نقض SLA مواجه می‌شوند. در این پژوهش، چارچوبی مبتنی بر یادگیری تقویتی (RL) برای بهینه‌سازی منابع ارائه می‌شود که از رایانش با کارایی بالا (HPC) و پردازش موازی/توزیع‌شده برای تصمیم‌گیری بلادرنگ در مقیاس بزرگ بهره می‌گیرد. مسئله به‌صورت فرایند تصمیم‌گیری مارکوف (MDP) صورت‌بندی شده و عامل RL عمیق، سیاست‌های مقیاس‌دهی و تخصیص حافظه را برای صدها تا هزاران ریزخدمت کانتینری یاد می‌گیرد. معماری، استنتاج و آموزش RL را بین چند گرهٔ HPC توزیع می‌کند و با استفاده از CPUهای چند‌هسته‌ای و GPUها، فضاهای بزرگ حالت/اقدام را پردازش و اقدامات مقیاس‌دهی را در کمتر از یک ثانیه ارزیابی می‌کند؛ نیازی که روی سرورهای معمولی دست‌یافتنی نیست. نتایج آزمایشی روی بنچمارک‌های ابری واقع‌گرایانه، کاهش تا ۲۵–۳۰٪ میانگین زمان پاسخ و حدود ۱۵–۲۰٪ مصرف حافظه را نسبت به روش‌های پیشرفتهٔ مقیاس‌دهی خودکار، همراه با رعایت ۹۹٪ SLA در بارهای جهشی گزارش می‌کنند. این یافته‌ها نشان می‌دهند پیوند RL و HPC، بهینه‌سازی ریزدانه و بلادرنگ منابع را در زیست‌بوم‌های پیچیدهٔ ریزخدمت ممکن می‌کند و با اهداف کارایی و مقیاس‌پذیری پژوهش ابررایانش هم‌راستاست.

گسترش سریع مدل‌های هوش مصنوعی حوزه‌های متعددی را متحول کرده است؛ بااین‌حال، استقرار کارآمد آن‌ها در محیط‌های محدود از نظر منابع، مانند دستگاه‌های لبه و سامانه‌های تعبیه‌شده، همچنان چالش‌های مهمی دارد. این مرور به‌صورت نظام‌مند رویه‌های معاصر مهندسی نرم‌افزار را برای بهینه‌سازی و استقرار مدل‌های هوش مصنوعی روی سخت‌افزار دارای توان محاسباتی، حافظه و انرژی محدود بررسی می‌کند. طیف متنوعی از روش‌ها، شامل راهبردهای معماری، زنجیره‌ابزارهای توسعه، چارچوب‌های آزمون و اعتبارسنجی، الگوهای MLOps متناسب با لبه و ملاحظات حیاتی امنیت و حریم خصوصی بررسی می‌شوند. با تلفیق یافته‌های پژوهش‌های اخیر، چالش‌های اصلی شناسایی، رویکردهای موفق برجسته و مسیرهای امیدبخش پژوهش آینده برای یکپارچه‌سازی قابل‌اعتماد و مقیاس‌پذیر هوش مصنوعی در سامانه‌های فراگیر کم‌منبع ترسیم می‌شود. این مرور جامع، مرجعی برای پژوهشگران و متخصصانی است که با پیچیدگی توسعهٔ هوش مصنوعی لبه مواجه‌اند.

گسترش سریع اینترنت اشیا، به‌دلیل ناهمگونی دستگاه‌ها، محدودیت منابع و مواجهه با حملات سایبری متحول‌شونده، چالش‌های گسترده‌ای برای امنیت و اعتماد ایجاد کرده است. سازوکارهای محافظت سنتی مبتنی بر قواعد و سیاست‌های اعتماد ایستا، اغلب در برابر مهاجمان تطبیقی و تهدیدهای توزیع‌شده عملکرد ضعیفی دارند. این مقاله چارچوبی سبک مبتنی بر یادگیری عمیق برای ارتقای امنیت و اعتماد ارائه می‌کند که مدل‌سازی رفتاری مبتنی بر توالی را با کنترل‌گر اعتماد تطبیقی ترکیب می‌کند تا هشدارهای کاذب کاهش یابند و تصمیم‌گیری در سطح دستگاه قابل‌اعتمادتر شود. چارچوب از شبکهٔ حافظهٔ بلند کوتاه‌مدت (LSTM) برای مدل‌سازی زمانی ترافیک بهره می‌گیرد و اعتماد دستگاه را بر اساس شدت ناهنجاری، سازگاری تاریخی و اهمیت دستگاه پیوسته به‌روز می‌کند. یک خط لولهٔ پیش‌پردازش بازتولیدپذیر برای تبدیل ویژگی‌های ناهمگون جریان شبکه به توالی‌های با طول ثابت تعریف می‌شود. همچنین پروتکل ارزیابی بر مجموعه‌داده‌های رایج نفوذ و پیکره‌های جدید اینترنت اشیا تعریف شده و الگویی ساخت‌یافته برای ارائهٔ عملکرد تشخیص و معیارهای امکان‌پذیری لبه، شامل تعداد پارامترها، تأخیر استنتاج، مصرف حافظه و انرژی، گزارش می‌شود.

چکیده—تولید تقویت‌شده با بازیابی می‌تواند اتکای واقعی مدل‌های زبانی را به شواهد بهبود دهد، اما پاسخ‌های تولیدشده همچنان ممکن است ادعاهایی داشته باشند که با زمینهٔ بازیابی‌شده فقط تا حدی پشتیبانی می‌شوند یا هیچ پشتیبانی ندارند. زبان فارسی در مقایسه با بسیاری از زبان‌ها منابع محدودی برای توسعهٔ مدل‌های راستی‌آزمایی کم‌حجم و قابل ممیزی دارد. این مقاله FaRAG-Guard را معرفی می‌کند؛ یک راستی‌آزمای ادعای فارسی با سه خروجی «پشتیبانی‌شده»، «تا حدی پشتیبانی‌شده» و «دارای توهم» که یک جملهٔ شاهد را نیز از متن منبع انتخاب می‌کند. یک بنچمارک کنترل‌شده از 56,766 نمونهٔ پاسخ‌پذیر PQuAD می‌سازیم؛ تقسیم‌بندی‌ها از نظر سند مستقل‌اند، برچسب‌ها متوازن‌اند و خانواده‌های الگو با جداسازی میان شرایط آموزش، آزمون و آزمون تنش به کار می‌روند. FaRAG-Guard با استفاده از آداپتورهای کم‌رتبه، XLM-RoBERTa-base را سازگار می‌کند و فقط 1.04 میلیون پارامتر از مجموع 279.08 میلیون پارامتر را به‌روزرسانی می‌کند. در سه بذر تصادفی، مدل روی مجموعهٔ آزمون اصلی شامل 900 نمونه، به macro-F1 برابر با 72.06% ± 2.91% و دقت متوازن برابر با 73.78% ± 1.95% می‌رسد؛ F1 در سطح توکن برای شواهد نیز 72.70% ± 7.95% است. میانهٔ تأخیر پردازش یک ادعا روی NVIDIA Tesla T4 برابر با 21.85 ± 3.13 میلی‌ثانیه است و اوج حافظهٔ تخصیص‌یافته 1.26 گیگابایت است. مدل در آزمون اصلی، قوی‌ترین روش مبنا را به میزان 7.58 واحد macro-F1 پشت سر می‌گذارد؛ با این حال، macro-F1 آن در آزمون تنش، برابر با 56.85% ± 15.15%، از روش مبنای هم‌پوشانی توکن پایین‌تر است و حساسیت به تغییر نحوهٔ بیان را آشکار می‌کند. این نتایج یک روش مبنای کم‌حجم و بازتولیدپذیر فراهم می‌کنند و در عین حال، استحکام و کالیبراسیون را به‌عنوان نیازهای حل‌نشده مشخص می‌کنند.

در محیط‌های رایانش توزیع‌شدهٔ امروزی، تخصیص کارآمد منابع به‌دلیل بارهای کاری پویا، منابع ناهمگون و وابستگی‌های پیچیدهٔ میان وظایف همچنان چالش‌برانگیز است. روش‌های ابتکاری زمان‌بندی سنتی، مانند اولین ورود–اولین خدمت و نوبت‌گردشی، اغلب نمی‌توانند با این شرایط سازگار شوند یا از اطلاعات ساختاری گراف‌های اجرای کار بهره ببرند. این مقاله چارچوبی یکپارچه برای تخصیص تطبیقی منابع ارائه می‌کند که یادگیری تقویتی (RL) و شبکه‌های عصبی گرافی (GNN) را برای یادگیری سیاست‌های زمان‌بندی در سیستم‌های توزیع‌شده ترکیب می‌کند. مؤلفهٔ GNN وضعیت گرافی سیستم، شامل گراف وابستگی وظایف و دسترس‌پذیری منابع، را به نمایش‌های فشرده تبدیل می‌کند تا عامل RL بتواند میان بارهای کاری و توپولوژی‌های متفاوت تعمیم یابد. عامل بر پایهٔ این نمایش‌ها، اقداماتی مانند انتخاب یا جانمایی وظیفه را با هدف بهینه‌سازی معیارهای بلندمدت، از جمله گذردهی، زمان اتمام کار، بهره‌برداری از منابع و عدالت انتخاب می‌کند. طراحی چارچوب RL+GNN، صورت‌بندی حالت و اقدام و طراحی پاداش تشریح شده و ارزیابی مفهومی مبتنی بر شبیه‌سازی در محیط زمان‌بندی خوشهٔ ابری/HPC ارائه می‌شود. نتایج نشان می‌دهد که نمایش گرافی حالت در یادگیری تقویتی می‌تواند سازگاری و مقیاس‌پذیری راهبردهای تخصیص منابع را، به‌ویژه در محیط‌های دارای وابستگی‌های پیچیده و رفتار پویا، بهبود دهد.

سیستم‌های حمل‌ونقل شهری در کلان‌شهرهایی مانند بانکوک به‌دلیل رشد جمعیت، زیرساخت محدود و افزایش استفاده از وسایل نقلیه با فشار فزاینده مواجه‌اند. در این مطالعه، کاربرد روش‌های مدرن یادگیری ماشین (ML)، شامل شبکه‌های حافظهٔ بلند کوتاه‌مدت (LSTM)، شبکه‌های عصبی گرافی (GNN) و مدل‌های مبتنی بر ترنسفورمر، برای تحلیل و پیش‌بینی الگوهای ترافیک شهری بانکوک بررسی می‌شود. با استفاده از داده‌های واقعی حسگرهای ترافیک، ردهای GPS و سوابق حمل‌ونقل عمومی، خط لوله‌ای داده‌محور برای پیش‌بینی ساخته می‌شود که وابستگی‌های پیچیدهٔ مکانی–زمانی را ثبت می‌کند. نتایج نشان می‌دهد مدل‌های GNN در معیارهای کلیدی به‌طور معناداری از روش‌های پایهٔ سنتی و حتی LSTM بهتر عمل می‌کنند، درحالی‌که مدل‌های ترنسفورمر مزایای مکمل دارند. ظرفیت یادگیری فدرال برای تحلیل ترافیک با حفظ حریم خصوصی در زیرساخت شهری غیرمتمرکز بانکوک نیز بررسی می‌شود. این پژوهش چارچوبی مقیاس‌پذیر و دقیق برای برنامه‌ریزی جابه‌جایی شهری هوشمند و پیش‌بینی بلادرنگ ترافیک در شهرهای جنوب شرق آسیا ارائه می‌کند.

در این مقاله، از روش‌های پیشرفتهٔ یادگیری ماشین برای پیش‌بینی نقص‌های نرم‌افزاری در مراحل اولیهٔ توسعهٔ پروژه‌های نرم‌افزاری پیچیده استفاده شده است. ابتدا داده‌های آماری و اندازه‌گیری‌های کد تاریخی پروژهٔ مورد مطالعه گردآوری و پیش‌پردازش شدند و با استفاده از خوشه‌بندی K-means، برچسب اولیهٔ کلاس‌بندی نرم‌افزارها تعیین گردید. سپس چندین الگوریتم طبقه‌بندی نظیر SVM، جنگل تصادفی، ناوی بیز و روش‌های تجمیعی (انسمبل) روی این داده‌ها آموزش داده شدند. نتایج آزمایش‌ها نشان داد مدل‌های جنگل تصادفی و سایر روش‌های ترکیبی عملکرد بهتری دارند، به‌طوری‌که دقت پیش‌بینی برخی مدل‌ها به حدود ۹۹٪ نزدیک است. شواهد تجربی نیز حاکی از آن بود که به‌کارگیری یادگیری ماشین در این حوزه می‌تواند به صرفه‌جویی قابل‌توجه در هزینه و زمان آزمون نرم‌افزار و بهبود کیفیت نهایی محصول بینجامد. بااین‌حال، چالش‌هایی از جمله فقدان داده‌های کافی برچسب‌خورده و نامتوازن بودن مجموعه‌داده‌ها وجود دارد. در نهایت، راهکارهایی مانند به‌کارگیری داده‌های مصنوعی، روش‌های تعادل‌دهی و مدل‌های عمیق پیشرفته پیشنهاد شده‌اند تا کاربرد عملی این روش‌ها در صنایع بزرگ ممکن شود.

استقرار مدل‌های زبانی بزرگ (LLM) به منابع حافظه و محاسباتی فراوان نیاز دارد. تأمین ایستای منابع اغلب به اتلاف یا پاسخ‌ندادن به تقاضا می‌انجامد. چارچوبی مفهومی پیشنهاد می‌کنیم که برای بهینه‌سازی مصرف منابع در استقرار LLM از یادگیری تقویتی (RL) و مهندسی نرم‌افزار خودتطبیق بهره می‌گیرد. عامل RL معیارهای سیستم، شامل گذردهی، تأخیر و بهره‌برداری GPU/CPU، را پایش کرده و اقداماتی مانند مقیاس‌دهی نمونه‌ها، تنظیم دقت مدل یا تغییر اندازهٔ دسته‌ها انجام می‌دهد. سیستم از حلقهٔ پایش–تحلیل–برنامه‌ریزی–اجرا (MAPE-K) استفاده می‌کند و پارامترهای پیکربندی پویا را به‌صورت برخط برای افزایش گذردهی و کاهش هزینه تنظیم می‌کند. رویکرد با نمونه‌هایی مانند مقیاس‌دهی خودکار مبتنی بر RL، با حدود ۴۰–۵۰٪ افزایش بهره‌برداری GPU، و بهینه‌سازی استنتاج تطبیقی مانند کش‌کردن کلید–مقدار، با افزایش سرعت تا ۴ برابر، توضیح داده می‌شود. استقرارهای واقعی LLM در ابر و لبه با بار کاری بسیار متغیر مواجه‌اند و چارچوب با این تغییرات سازگار می‌شود. آزمایش‌ها و گزارش‌های صنعتی نشان می‌دهند سازگاری مبتنی بر RL می‌تواند کارایی منابع و عملکرد را به‌طور معناداری بهبود دهد.

هدف پیش‌بینی خطاهای نرم‌افزاری، شناسایی خودکار ماژول‌های مستعد نقص برای بهبود کیفیت و کاهش هزینهٔ آزمون است. روش‌های سنتی، معیارهای ایستای کد مانند پیچیدگی و میزان تغییر را همراه با یادگیری ماشین کلاسیک به کار می‌گیرند، اما اغلب روابط میان ماژول‌ها را نادیده می‌گیرند. اخیراً روش‌های یادگیری عمیق (DL) با یادگیری ویژگی‌ها از متن و ساختار کد امیدبخش بوده‌اند. به‌ویژه شبکه‌های عصبی گرافی (GNN) می‌توانند نرم‌افزار را به‌صورت گراف، با کلاس‌ها یا ماژول‌ها به‌عنوان گره و وابستگی‌ها به‌عنوان یال، مدل کنند و معنای غنی‌تری را ثبت نمایند. این مقاله روش‌های سنتی و مبتنی بر DL را مرور می‌کند و بر مدل‌های نوآورانهٔ GNN با تحلیل ایستا و گراف وابستگی کد تأکید دارد. جمع‌بندی نشان می‌دهد مدل‌های DL مانند LSTM و CNN اغلب از ML متعارف بهتر عمل می‌کنند و GNNهای بهره‌گیر از ساختار کد، دقت و امتیاز F1 را بیشتر بهبود می‌دهند. در مطالعات موجود، طبقه‌بندهای LSTM به دقت حدود ۸۷٪ رسیده‌اند و رویکردهای GNN چندنما، بهبود نسبی ۱۷–۴۵٪ در F1 گزارش می‌کنند. این نتایج نشان می‌دهد ترکیب معیارهای ایستا و گراف وابستگی کد در چارچوب GNN می‌تواند پیش‌بینی خطا را به‌طور معناداری ارتقا دهد.

با رشد روزافزون پیچیدگی برنامه‌های تحت وب، نیاز به تست خودکار جامع و مؤثر بیش از پیش احساس می‌شود. در این مقاله، رویکردهای اخیر تست خودکار وب‌اپلیکیشن‌ها با بهره‌گیری از الگوریتم‌های هوش مصنوعی، شامل یادگیری ماشین، یادگیری عمیق و شبکه‌های عصبی، مرور و تحلیل می‌شوند. پس از بررسی چالش‌های تست سنتی تحت وب، مانند فرم‌های پویا و منطق پیچیده، روش‌های هوشمند در سه دستهٔ عمده معرفی می‌شوند: ۱) یادگیری ماشین برای تولید و تحلیل موارد آزمون؛ ۲) شبکه‌های عصبی و یادگیری عمیق برای درک عناصر رابط کاربری و آزمون خودکار؛ و ۳) یادگیری تقویتی عمیق برای کاوش خودگردان فضای حالات وب. نمونه‌هایی از چارچوب‌های منتخب، مانند WebRLED و WebExplor، به‌همراه نتایج تجربی آن‌ها ارائه می‌شود. نتیجه‌گیری نشان می‌دهد روش‌های مبتنی بر هوش مصنوعی می‌توانند پوشش کد و نرخ کشف خطا را به‌طور چشمگیری بهبود دهند. چشم‌اندازهای پژوهشی آینده شامل یکپارچه‌سازی مدل‌های زبانی بزرگ (LLM) و گسترش دسترسی به مجموعه‌داده‌های واقعی برای آموزش مدرن است.

سیستم‌های نرم‌افزاری امروز با تقاضای فزاینده برای عملکرد بالا و استفادهٔ کارآمد از حافظه مواجه‌اند. روش‌های بهینه‌سازی سنتی، که اغلب ثابت و انعطاف‌ناپذیرند، به‌سختی با بارهای کاری پیچیده و پویا سازگار می‌شوند. الگوریتم‌های یادگیری ماشین (ML)، با یادگیری خودکار الگوها و تصمیم‌گیری هوشمند برای بهینه‌سازی زمان اجرا و مصرف حافظه، رویکردی امیدبخش ارائه می‌کنند. این مقاله مرور جامعی از پژوهش‌های اخیر ۲۰۲۱–۲۰۲۵ دربارهٔ کاربرد روش‌های ML، شامل شبکه‌های عصبی، یادگیری تقویتی و الگوریتم‌های تکاملی، در بهینه‌سازی عملکرد سیستم‌های نرم‌افزاری ارائه می‌دهد. بررسی می‌کنیم که راهکارهای مبتنی بر ML چگونه به بهبودهایی مانند کاهش زمان اجرای برنامه، ارتقای کارایی حافظه و کش و تخصیص هوشمند منابع در محیط‌های ابری دست یافته‌اند.

مسائل پیچیده معمولاً ماهیتی غیرخطی، چندمعیاره و مبتنی بر کلان‌داده دارند که حل آن‌ها با یک تکنیک منفرد هوش مصنوعی اغلب ناکافی است. در این مقاله، اهمیت استفاده از روش‌های ترکیبی در هوش مصنوعی برای بهبود دقت و کارایی حل مسائل پیچیده بررسی شده است. رویکرد ترکیبی به‌معنای به‌کارگیری هم‌زمان یا متوالی چند روش هوش مصنوعی در قالب یک چارچوب یکپارچه است. مطالعات مختلف نشان داده‌اند ترکیب انسان و ماشین، یا هوش هیبریدی، در افزایش دقت مدل‌های یادگیری ماشین مؤثر است و استفاده از الگوریتم‌های فراابتکاری در چارچوب‌های ترکیبی می‌تواند همگرایی سریع‌تری برای شبکه‌های عصبی فراهم کند. یافته‌های تجربی نیز نشان می‌دهد مدل‌های ترکیبی هوش مصنوعی دقت پیش‌بینی در مسائل پیچیده را به‌طور چشمگیری افزایش می‌دهند (اکبری و همکاران، ۱۴۰۰).

اینترنت اشیا (IoT) شبکه‌ای از دستگاه‌های هوشمند است که به‌صورت گسترده به تبادل داده می‌پردازند. رشد سریع این فناوری، در کنار مزایای فراوان، چالش‌های مهمی در امنیت و حریم خصوصی ایجاد کرده است. روش‌های سنتی امنیت سایبری به‌دلیل ساختار متمرکز و ضعف در برابر تهدیدات نوظهور، برای حفاظت از زیست‌بوم IoT ناکافی‌اند. فناوری بلاکچین، با ویژگی‌هایی مانند عدم تمرکز، شفافیت، تغییرناپذیری و اجماع توزیع‌شده، راهکاری نوین برای ارتقای امنیت و اعتماد در IoT مطرح شده است. این مقاله با روش تحقیق کتابخانه‌ای و تحلیلی، نقش بلاکچین در بهبود امنیت و حریم خصوصی معماری چندلایهٔ IoT را بررسی می‌کند. پس از مرور چالش‌های امنیتی، قابلیت‌های بلاکچین در پاسخ به آن‌ها تبیین می‌شود. چارچوبی مفهومی برای ادغام این دو فناوری ارائه و یافته‌های پژوهش‌های اخیر تحلیل می‌شود. نتایج نشان می‌دهد بلاکچین می‌تواند دستکاری داده‌ها را دشوار، مدیریت هویت را تقویت و دسترسی غیرمجاز را محدود کند. در پایان، پیشنهادهایی برای آینده، شامل الگوریتم‌های اجماع سبک و بهبود مقیاس‌پذیری، ارائه می‌شود.

رشد سریع مقیاس مدل‌های زبانی بزرگ (LLM) هزینه‌های محاسباتی و اثرات زیست‌محیطی بی‌سابقه‌ای ایجاد کرده است. مسئلهٔ بهینه‌سازی چندهدفهٔ آموزش LLM را با ایجاد توازن میان عملکرد مدل و مصرف منابع، شامل زمان آموزش، انرژی، ساعت GPU و ردپای کربن، بررسی می‌کنیم. روش‌های پیشرفته، شامل هرس مدل، کوانتیزه‌سازی، تقطیر دانش، جست‌وجوی معماری عصبی (NAS) و تنظیم ابرپارامتر با روش‌های تکاملی یا یادگیری تقویتی، از نظر مصالحهٔ دقت یا زیان با کارایی مرور و ارزیابی می‌شوند. با داده‌های آزمایشی اخیر بنچمارک‌های عمومی، مانند تنظیم دقیق BERT روی وظایف GLUE و آموزش خانوادهٔ GPT، تأثیر هر روش بر مرز پارتوی دقت و هزینه تحلیل می‌شود. برای نمونه، کوانتیزه‌سازی ایستای ۸ بیتی حدود ۲۹٪ مصرف انرژی را با افت دقت ناچیز کاهش داده و هرس ساختاریافته با افت جزئی دقت، استنتاج را حدود ۶۳٪ سریع‌تر کرده است. روش‌های پیشرفتهٔ فشرده‌سازی LLM سودهای بیشتری دارند؛ یک روش بازپارامتردهی جمع–شیفت چندهدفه بیش از ۸۰٪ مصرف حافظه و انرژی را نسبت به مدل کامل کاهش داده است. نمودارهای پارتوی دقت در برابر انرژی برای نمایش این مصالحه‌ها ارائه شده‌اند (شکل‌های ۱–۴). در مجموع، جست‌وجوی چندهدفه، مانند بهینه‌سازی بیزی یا الگوریتم ژنتیک، می‌تواند پیکربندی‌های روی مرز بهینهٔ پارتو را به‌صورت نظام‌مند شناسایی کند تا کاربران مدل مناسب محدودیت‌های خود را انتخاب کنند. مقاله نشان می‌دهد طبق اصول «هوش مصنوعی سبز»، کاهش متعادل دقت می‌تواند به سود کارایی بزرگی منجر شود و توصیه‌های عملی برای آموزش پایدار LLM ارائه می‌کند.

رایانش لبه، محاسبات را به منابع داده نزدیک می‌کند و تأخیر را کاهش می‌دهد، اما برای منابع توزیع‌شده و باتری‌محور چالش‌های جدید انرژی ایجاد می‌کند. در این پژوهش، چارچوبی مبتنی بر یادگیری ماشین (ML) ارائه می‌کنیم که مصرف انرژی را در محیط‌های ناهمگون رایانش لبه به‌صورت پویا بهینه می‌کند. رویکرد، توزیع تطبیقی بار کاری، طراحی مدل ML آگاه از سخت‌افزار و روش‌های استنتاج کم‌مصرف را ترکیب می‌کند. چارچوب با الگوریتم‌های یادگیری، مانند یادگیری تقویتی، وظایف را بر پایهٔ بار فعلی و پروفایل انرژی میان گره‌های لبه و منابع ابری تخصیص می‌دهد. ارزیابی در یک سناریوی نمایندهٔ IoT نشان می‌دهد زمان‌بندی هدایت‌شده با ML، ضمن رعایت محدودیت تأخیر، می‌تواند انرژی را حدود ۳۰–۵۰٪ نسبت به تخصیص ایستا کاهش دهد. نوآوری‌های کلیدی شامل بهینه‌سازی چندهدفهٔ پارامترهای محاسباتی و سخت‌افزاری با الهام از DynaSplit و استفاده از فشرده‌سازی مدل و شتاب‌دهنده‌ها برای استنتاج کم‌مصرف است. نتایج، ظرفیت مدیریت منابع مبتنی بر ML را برای رایانش لبهٔ پایدار نشان می‌دهد.

با پیشرفت مدل‌های زبانی بزرگ (LLM) در سال‌های اخیر، تکمیل خودکار کد به یکی از کاربردهای کلیدی آن‌ها در توسعهٔ نرم‌افزار تبدیل شده است. این مقاله تکامل خودکار کد را با تمرکز بر زبان پایتون بررسی می‌کند. مدل‌های زبانی پیشرفته مانند GPT-4 و OpenAI Codex و ابزارهایی مانند GitHub Copilot بررسی شده و قابلیت تکمیل کد و تولید خودکار قطعات برنامهٔ آن‌ها تحلیل می‌شود. نتایج پژوهش‌ها نشان می‌دهد LLMها دقت و سرعت تکمیل کد را به‌طور چشمگیری بهبود داده‌اند و در برخی موارد بهره‌وری برنامه‌نویسان را افزایش می‌دهند؛ برای نمونه، کاهش ۵۵٪ زمان تکمیل وظایف گزارش شده است (Perry و همکاران، ۲۰۲۳). بااین‌حال، چالش‌هایی مانند تولید کد ناامن و نیاز به نظارت انسانی بر خروجی‌ها پابرجاست (Pearce و همکاران، ۲۰۲۲). مقاله ضمن مرور پیشینه و یافته‌های پژوهش‌های داخلی و بین‌المللی، روش‌شناسی بررسی کارایی مدل‌ها را تشریح و نتایج تأثیر مدل‌های زبانی بر برنامه‌نویسی پایتون را ارائه می‌کند. در پایان، فرصت‌ها و چالش‌های به‌کارگیری دستیارهای برنامه‌نویسی مبتنی بر LLM در توسعهٔ نرم‌افزار جمع‌بندی می‌شود.