論文の概要: AIOptimizer - Software performance optimisation prototype for cost minimisation
- arxiv url: http://arxiv.org/abs/2307.07846v2
- Date: Sat, 14 Sep 2024 18:47:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 03:47:44.958869
- Title: AIOptimizer - Software performance optimisation prototype for cost minimisation
- Title(参考訳): AIOptimizer - コスト最小化のためのソフトウェアパフォーマンス最適化プロトタイプ
- Authors: Noopur Zambare,
- Abstract要約: この研究は、ユーザフレンドリさ、スケーラビリティ、正確性、適応性など、AIrの設計要素に焦点を当てている。
この論文では、コラボレーション、効率予測、コスト最適化提案、障害診断など、AIrの機能についても検討している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents AIOptimizer, a prototype for a cost-reduction-based software performance optimisation tool. The study focuses on the design elements of AIOptimizer, including user-friendliness, scalability, accuracy, and adaptability. To deliver efficient and user-focused performance optimisation solutions, it promotes the use of robust integration, continuous learning, modular design, and data collection methods. The paper also looks into AIOptimizer features including collaboration, efficiency prediction, cost optimisation suggestions, and fault diagnosis. Additionally, it introduces AIOptimizer, a recommendation engine for cost optimisation based on reinforcement learning, and examines several software development life cycle models. The goal of this research study is to showcase AIOptimizer as a prototype that continuously improves software performance and reduces costs by utilising sophisticated optimisation techniques and intelligent recommendation systems. Numerous software development life cycle models, including the Big Bang, V-, Waterfall, Iterative, and Agile models are the subject of the study. Every model has benefits and drawbacks, and the features and requirements of the project will decide how useful each is.
- Abstract(参考訳): 本研究では,コスト削減に基づくソフトウェアパフォーマンス最適化ツールのプロトタイプであるAIOptimizerを提案する。
この研究は、ユーザフレンドリさ、スケーラビリティ、正確性、適応性など、AIOptimizerの設計要素に焦点を当てている。
効率的でユーザ中心のパフォーマンス最適化ソリューションを提供するため、堅牢な統合、継続的学習、モジュール設計、データ収集方法の使用を促進する。
また、コラボレーション、効率予測、コスト最適化提案、故障診断などのAIOptimizer機能についても検討する。
さらに、強化学習に基づくコスト最適化のためのレコメンデーションエンジンであるAIOptimizerを導入し、いくつかのソフトウェア開発ライフサイクルモデルを調べている。
本研究の目的は、高度な最適化技術とインテリジェントレコメンデーションシステムを活用することにより、ソフトウェアパフォーマンスを継続的に改善し、コストを削減するプロトタイプとしてAIOptimizerを紹介することである。
Big Bang、V-、ウォーターフォール、イテレーティブ、アジャイルモデルなど、多くのソフトウェア開発ライフサイクルモデルが研究の対象となっている。
どのモデルにもメリットと欠点があり、プロジェクトの機能と要件は、それぞれがどれだけ有用かを決定する。
関連論文リスト
- Supercompiler Code Optimization with Zero-Shot Reinforcement Learning [63.164423329052404]
エージェントの1回の試行において,各プログラムの効率的な最適化戦略を即時に生成するために,大規模データで広範囲に訓練された人工知能エージェントであるCodeZeroを提示する。
われわれの手法は、人工知能の工学的潜在能力を生かし、コード最適化の領域で機械学習技術をスケールする方法を開拓する。
論文 参考訳(メタデータ) (2024-04-24T09:20:33Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳(メタデータ) (2024-02-27T09:23:13Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Design Optimizer for Planar Soft-Growing Robot Manipulators [1.1888144645004388]
本研究は,ソフト成長ロボットの設計最適化のための新しいアプローチを提案する。
ソフトマニピュレータのキネマティックチェーンを最適化し、ターゲットに到達し、材料や資源の不要な過剰使用を避ける。
提案手法を最適性にアクセスするために, 提案手法を検証したところ, 解法の性能は著しく向上した。
論文 参考訳(メタデータ) (2023-10-05T08:23:17Z) - PerfDetectiveAI -- Performance Gap Analysis and Recommendation in
Software Applications [0.0]
本稿では,ソフトウェアアプリケーションにおける性能ギャップ分析と提案のための概念的フレームワークPerfDetectiveAIを紹介する。
現代の機械学習(ML)と人工知能(AI)技術は、PerfDetectiveAIでパフォーマンス測定を監視し、ソフトウェアアプリケーションにおけるパフォーマンス不足の領域を特定するために使用されている。
論文 参考訳(メタデータ) (2023-06-11T02:53:04Z) - Optimal Design of Electric Machine with Efficient Handling of
Constraints and Surrogate Assistance [5.387300498478744]
本稿では、広く使われている進化的多目的最適化アルゴリズムNSGA-IIに組み込んだ最適化手法を提案する。
提案手法は, 幾何的制約の安価さを利用して, カスタム補修演算子を用いて実現可能な設計を生成する。
論文 参考訳(メタデータ) (2022-06-03T17:13:29Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳(メタデータ) (2020-08-02T02:56:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。