Istraživači sa Univerziteta Carnegie Mellon i Villiams College-a su razvili revolucionarnu tehniku mašinskog učenja koja omogućava računarskim sistemima da predviđaju buduće obrasce podataka i optimizuju način na koji se informacije čuvaju. Ova tehnika, koja je detaljno objašnjena u radu objavljenom na arXiv serveru za preprint i predstavljena na Konferenciji o sistemima za neuralnu obradu informacija (NeurIPS) u decembru 2023. godine, pokazuje potencijal da poveća brzinu obrade podataka za čak 40% na stvarnim skupovima podataka.
Ključna inovacija ove tehnike je njena sposobnost predviđanja budućih obrazaca u podacima. Umesto dosadašnjeg pristupa koji je podrazumevao neprekidno pomeranje podataka kako bi se osiguralo mesto za nove stavke, ova nova metoda omogućava računarskim sistemima da unapred predvide kako će se podaci menjati i prilagode se tom predviđanju.
„Ova tehnika omogućava sistemima podataka da zavire u budućnost i optimizuju se u hodu“, rekao je Aidin Niaparasat, jedan od koautora studije i doktorand na Tepper School of Business na Univerzitetu Carnegie Mellon. „Demonstriramo jasan kompromis — što su predviđanja bolja, to su performanse brže. Čak i kada su predviđanja veoma loša, brzina je i dalje veća od normalne.“
Softver koji je razvijen kao deo ove tehnike je dostupan za korišćenje uz dopunski materijal objavljen uz rad, što omogućava drugim istraživačima i profesionalcima da iskoriste benefite ove revolucionarne metode.
Ovi rezultati otvaraju vrata za dalju primenu predviđanja mašinskog učenja u dizajnu računarskih sistema. Strukture podataka kao što su stabla pretrage, heš tabele i grafikoni mogu sada da rade pametnije i brže, predviđajući očekivane obrasce podataka i prilagođavajući se njima. Istraživači se nadaju da će ovo inspirisati nove načine dizajniranja algoritama i sistema za upravljanje podacima, što bi moglo dovesti do značajnih poboljšanja u performansama baza podataka, efikasnosti centara podataka i operativnih sistema.
„Naučene optimizacije mogle bi da dovedu do bržih baza podataka, poboljšane efikasnosti centra podataka i pametnijih operativnih sistema“, rekao je Benjamin Moselei, vanredni profesor na Tepper School i koautor studije. „Pokazali smo da predviđanja mogu da prevaziđu granice najgoreg slučaja. Ali ovo je samo početak — u ovoj oblasti postoji ogroman neiskorišćen potencijal.“
