Annie arXiv'den derlendi
Qubit Üretildi | Genel Hesap QbitAI
Bulut bilişimin yaygın uygulamasıyla, bilgi işlem maliyetlerini kontrol etmek gittikçe daha önemli hale geliyor, ancak anketler, bulut harcamalarının% 30-% 45'inin boşa gittiğini gösteriyor. Bazı büyük şirketler, harcamaları kontrol etmek için genellikle uzmanlara danışır, ancak bazı küçük işletmeler veya bireyler paradan tasarruf edemez.
Son zamanlarda araştırmacılar, derin takviye öğrenme algoritmalarının bulut hizmeti performansını ve genel giderleri dengeleyebileceğini keşfettiler.Kullanıcıların bunları nasıl uygulayacaklarını planlamaları gerekmiyor, sadece elde etmek istedikleri etkiyi ayarlamaları gerekiyor. Bu araştırma, bulut hizmeti masraflarını kontrol etmek için profesyonel eşiği büyük ölçüde azaltır.
Bulut bilişim, paylaşılan yazılım ve donanım kaynaklarının talep üzerine bilgisayarlara, çeşitli terminallere ve Wikipedia'dan diğer ekipmanlara / resimlere sağlanmasına izin verir
Araştırmacılar, arXiv'de "Derin Güçlendirmeli Öğrenmeyi kullanarak AWS'de Otomatik Bulut Sağlama" başlıklı makaleyi yayınladılar. Makale, ticari uzaktan algılamalı uydu hizmeti sağlayıcısı BlackSky'den Chul Gwon ve Adam Iezzi ve Maryland Üniversitesi Tim Oates tarafından Microsoft'tan Zhiguang Wang tarafından yazılmıştır. Dört araştırmacı birlikte çalıştı.
Kullanıcıların maliyetleri kolayca düşürmelerine olanak sağlamak için araştırmacılar hangi yöntemleri kullandılar?
Bu makalede, araştırmacılar, bulut oranlamada pekiştirmeli öğrenmenin uygulamasını keşfettiler.Kullanıcılar performans ve maliyete dayalı olarak ödülleri formüle edebilir ve takviye öğrenme algoritmaları ödüllerin nasıl elde edileceğini hesaplar.
Araştırmacılar, CloudSim bulut bilişim simülatörü üzerinde çalışan etkiyi simüle etmek için çift derin Q-öğrenme algoritmasını kullanır.Sonuçlar, takviye öğrenmenin etkisini ve bu yöntemin göreceli avantaj ve dezavantajlarını gösterebilir.
DDQN yapı şeması
Yukarıdaki resim, rekabetçi mimariye dayalı DDQN'nin (çift derin Q-öğrenme ağı) bir yapı diyagramıdır. SeLU işlevi, dört evrişimli katmanı etkinleştirir ve bir havuzlama işlemi gerçekleştirmez. Araştırmacılar, son çıktıdan önce tam olarak bağlantılı bir katman eklemediler, ancak durumu ve etkiyi hesaplamak için son evrişimli katmanın düz özellik haritasını yarıya indirdiler.
Araştırmacılar, bu mimarinin daha az parametre ile kararlılığı artırmaya yardımcı olduğunu buldu.
Amazon Web Services (AWS), Amazon tarafından oluşturulan bir bulut bilişim platformudur. Çeşitli uzaktan Web hizmetleri sağlar. Hem Amazon EC2 hem de Amazon S3 bu platform üzerine kurulmuştur.
AWS ortamı
Makalede, araştırmacılar basit bir simülatörden CloudSim'e ve ardından CloudSim'den gerçek bir AWS bulut ortamına geçişin bir örneğini gösterdi.
AWS'de çalışmanın etkisi, çalışma süresiyle sınırlıdır. Araştırmacının AWS sisteminde eşik temelini ve DQN modelini çalıştırma süresi yalnızca 3 haftadır, ancak D3QN'yi çalıştırma süresi yalnızca bir haftadır. AWS ortamının ilk testine ve geliştirilmesine yardımcı olmak için, araştırmacılar kasıtlı olarak tablo tabanlı Q öğrenicinin çalışma süresini kısalttı.
Yukarıdaki şekil operasyonun sonuçlarını göstermektedir Sonuçlar, araştırmacıların beklenen sonuçlarla karşılaştırması için uygun olan aynı binning ile simülasyon operasyonunu içermektedir. Simülasyon çalıştırmasında gözlemlediğimiz gibi, Leaner belirli bir süre AWS üzerinde çalışabilirse, iyileşme görebiliriz.
Gerçek AWS ortamına sıfır olmayan bir gecikme değeri eklemek sonuçları etkileyecektir. Ödüllerde artışı görmek zor olsa da, ödüllerdeki değişiklikler zaman içinde önemli ölçüde azaldı, bu da performansın iyileştirilebileceği anlamına geliyor.
Yabancı medya Architecht bu makaleyi tavsiye ederken bunun bir iş fırsatı gibi göründüğünü söyledi:
Bu bir araştırma konusu ve eğer biri bunu yapmak isterse, bazı ticari beklentileri var gibi görünüyor. Bu araştırmanın özü, ideal fiyat-performans oranını ve diğer işletme göstergelerini belirleyebilen bir sistem yetiştirmektir, örneğin "genel giderleri mümkün olduğunca azaltmak için ortalama kullanıcı yanıt süresi% 2'den fazla artmaz."
Bu kadar ilginç bir şey için gazeteyi nasıl okuyamazsın?
Kağıdı temin etmek için adres:
https://arxiv.org/abs/1709.04305
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin