Machine Learning en arquitectura de computadores y sistemas (MLArchSys)

  • PROFESOR: Thaleia Dimitra Doudali
  • ORGANISMO: Instituto IMDEA Software

Resumen de Contenido

Las aplicaciones modernas generan enormes cantidades de datos y exhiben patrones de acceso a datos irregulares que impiden la efectividad de los sistemas tradicionales de hardware y software. La integración de métodos de Machine Learning (ML) tiene el potencial de acelerar dichos sistemas a través de una toma de decisiones inteligente, robusta y adaptativa. Sin embargo, la necesidad, practicidad, eficacia e interpretabilidad de los sistemas basados en machine learning siguen siendo ambiguas. Se cubrirá una descripción general y tres casos de uso concretos de Machine Learning implementados para mejorar la administración de recursos de caché y memoria al nivel del hardware y sistema operativo.

Programa

  1. Introducción. Visión general de los desafíos de los sistemas para la inteligencia artificial.
  2. ML para el reemplazo de caché. Método ML: Reinforcement Learning.
  3. ML para la carga previa de datos. Método ML: Long Short-Term Memory Networks (LSTM) - Clasificación.
  4. ML para la administración de memoria híbrida. Método ML: Long Short-Term Memory Networks (LSTM) - Regresión.

Método de Evaluación

Informe breve sobre las conclusiones de cada clase, respondiendo preguntas predefinidas. El informe debe enviarse por correo electrónico al profesor antes de la siguiente clase (1 semana). Cada informe representa el 25% de la calificación general, ya que habrá 4 informes en total.

Prerrequisitos

Conocimientos básicos de sistemas informáticos y arquitectura, aunque cada clase incluirá una visión general del problema, para una audiencia general. Del mismo modo, cada clase resumirá la funcionalidad del método de Machine Learning discutido, no se requiere experiencia en ML.

Horas lectivas

6

Observaciones

El seminario se compondrá de 4 sesiones, de 2 horas cada una, durante 4 semanas.

Estructura de cada clase:

  • Visión general del problema.
  • Descripción general de las soluciones existentes que no son de ML.
  • Descripción general del método basado en ML y soluciones propuestas.
  • Discusión en clase sobre la necesidad, practicidad, efectividad e interpretabilidad de ML.

Bibliografía

  • Visión general: A Berkeley View of Systems Challenges for AI
  • ML para el reemplazo de caché: Designing a Cost-Effective Cache Replacement Policy using Machine Learning
  • ML para la carga previa de datos: Learning Memory Access Patterns
  • ML para la administración de memoria híbrida: Kleio: a Hybrid Memory Page Scheduler with Machine Intelligence

Días de Impartición y Horario

  • 14 de marzo, 19:00-21:00
  • 21 de marzo, 19:00-21:00
  • 28 de marzo, 19:00-21:00

Aula

  • A-6306

Idioma

Inglés.