Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Industrial LLM-based Code Optimization under Regulation: A Mixture-of-Agents Approach

Created by
  • Haebom

作者

Mari Ashiga, Vardan Voskanyan, Fateme Dinmohammadi, Jingzhi Gong, Paul Brookes, Matthew Truscott, Rafail Giavrimis, Mike Basios, Leslie Kanthan, Wei Jie

概要

本論文は、規制産業におけるコード最適化のための混合エージェント（MoA）アプローチを提示します。規制遵守とデータプライバシーの問題により、商用LLMの使用が限られた環境では、複数の特殊化されたオープンソースLLMを組み合わせてコードを生成するMoAを提案し、TurinTech AIの遺伝的アルゴリズム（GA）ベースのアンサンブルシステムおよび個々のLLMオプティマイザと比較分析します。実際の産業コードベースを使用した実験の結果、MoAはオープンソースモデルを使用して14.3％ 22.2％のコスト削減と28.6％ 32.2％の最適化時間の短縮を達成しました。さらに、商用モデルでは、GAベースのアンサンブルの卓越性を確認し、両方のアンサンブルは個々のLLMよりも優れたパフォーマンスを示しており、50のコードスニペットと7つのLLMの組み合わせを使用して実際の環境での適用性を検証します。結論として、規制遵守と最適化性能のバランスをとるための実践的なガイダンスを提供します。

Takeaways、Limitations

•
Takeaways：
◦
規制産業環境におけるオープンソースLLMベースのMoAを用いた効果的なコード最適化の可能性を提示
◦
MoAがコスト削減と最適化時間の短縮に大きな利点を提供することを実証的に実証しています。
◦
商用LLMとオープンソースLLMの長所と短所を比較分析し、産業現場に適用可能なガイドラインを提供。
◦
実際の産業コードベースを活用した大規模実験結果に基づいて信頼性の高い結果を提示。
•
Limitations：
◦
この研究で使用されているオープンソースLLMと商用LLMの種類とバージョンは明示的に言及されていないため、一般化の制限があります。
◦
MoAの性能は、使用されるLLMの種類と構成によって異なる可能性があるため、さまざまな組み合わせに関する追加の研究が必要です。
◦
実験に使用されたコードベースの特徴が明確に示されていないため、他の種類のコードベースの一般化の可能性についてのレビューが必要です。
◦
GAベースのアンサンブルシステムとの比較分析におけるGAシステムの具体的な設定に関する情報の欠如
👍
Made with Slashpage