यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
विनियमन के अंतर्गत औद्योगिक एलएलएम-आधारित कोड अनुकूलन: एजेंटों का मिश्रण दृष्टिकोण
Created by
Haebom
लेखक
मारी अशिगा, वर्दान वोस्कैनियन, फतेमे दीनमोहम्मदी, जिंगझी गोंग, पॉल ब्रूक्स, मैथ्यू ट्रस्कॉट, राफेल जियावरिमिस, माइक बासियोस, लेस्ली कंथन, वेई जी
रूपरेखा
यह शोधपत्र विनियमित उद्योगों में कोड अनुकूलन के लिए एक मिश्रित-एजेंट (MoA) दृष्टिकोण प्रस्तुत करता है। ऐसे वातावरण में जहाँ नियामक अनुपालन और डेटा गोपनीयता संबंधी चिंताओं के कारण वाणिज्यिक एलएलएम का उपयोग सीमित है, हम MoA का प्रस्ताव करते हैं, जो कोड उत्पन्न करने के लिए कई विशिष्ट ओपन-सोर्स एलएलएम को संयोजित करता है। हम इसकी तुलना ट्यूरिनटेक एआई के जेनेटिक एल्गोरिथम (GA)-आधारित एन्सेम्बल सिस्टम और व्यक्तिगत एलएलएम ऑप्टिमाइज़र से करते हैं। वास्तविक-विश्व औद्योगिक कोडबेस का उपयोग करके प्राप्त प्रायोगिक परिणाम दर्शाते हैं कि ओपन-सोर्स मॉडल का उपयोग करके MoA क्रमशः 14.3% और 22.2% की लागत बचत और अनुकूलन समय में क्रमशः 28.6% और 32.2% की कमी प्राप्त करता है। इसके अलावा, हम वाणिज्यिक मॉडलों पर GA-आधारित एन्सेम्बल की श्रेष्ठता प्रदर्शित करते हैं, और दोनों एन्सेम्बल व्यक्तिगत एलएलएम से बेहतर प्रदर्शन करते हैं। हम 50 कोड अंशों और सात एलएलएम संयोजनों का परीक्षण करके वास्तविक-विश्व वातावरण में इसकी प्रयोज्यता की पुष्टि करते हैं। अंततः, हम नियामक अनुपालन और अनुकूलन प्रदर्शन के बीच संतुलन बनाने के लिए व्यावहारिक मार्गदर्शन प्रदान करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
हम एक विनियमित उद्योग वातावरण में ओपन-सोर्स एलएलएम-आधारित एमओए का उपयोग करके प्रभावी कोड अनुकूलन की संभावना प्रस्तुत करते हैं।
◦
अनुभवजन्य रूप से यह प्रदर्शित किया गया है कि MoA लागत में कमी और अनुकूलन समय में कमी में महत्वपूर्ण लाभ प्रदान करता है।
◦
औद्योगिक सेटिंग्स के लिए लागू दिशानिर्देश प्रदान करने के लिए वाणिज्यिक और ओपन-सोर्स एलएलएम के पेशेवरों और विपक्षों का तुलनात्मक विश्लेषण।
◦
वास्तविक उद्योग कोडबेस का उपयोग करके बड़े पैमाने पर किए गए प्रयोगों पर आधारित अत्यधिक विश्वसनीय परिणाम।
•
Limitations:
◦
इस अध्ययन में प्रयुक्त ओपन सोर्स और वाणिज्यिक एलएलएम के प्रकार और संस्करणों का स्पष्ट रूप से उल्लेख नहीं किया गया, जिससे सामान्यीकरण सीमित हो गया।
◦
चूंकि MoA का प्रदर्शन प्रयुक्त LLM के प्रकार और विन्यास के आधार पर भिन्न हो सकता है, इसलिए विभिन्न संयोजनों पर आगे अनुसंधान की आवश्यकता है।
◦
चूंकि प्रयोग में प्रयुक्त कोडबेस की विशेषताएं स्पष्ट रूप से प्रस्तुत नहीं की गई हैं, इसलिए अन्य प्रकार के कोडबेसों के लिए सामान्यीकरण की जांच किए जाने की आवश्यकता है।
◦
GA-आधारित एनसेम्बल प्रणालियों के साथ तुलनात्मक विश्लेषण में, GA प्रणाली की विशिष्ट सेटिंग्स पर जानकारी का अभाव है।
