Την Τετάρτη, 14 Δεκεμβρίου 2022, η Google ανακοίνωσε μια ενημέρωση για το σύστημα κατά της ανεπιθύμητης αλληλογραφίας που υποστηρίζεται από τεχνητή νοημοσύνη και ονομάζεται SpamBrain. Αυτή η ενημέρωση χρησιμοποιεί το SpamBrain για τον εντοπισμό και την εξάλειψη του αντίκτυπου των μη φυσιολογικών συνδέσμων στα αποτελέσματα αναζήτησης. Η διάθεση αυτής της ενημέρωσης αναμένεται να διαρκέσει δύο εβδομάδες και θα επηρεάσει όλες τις γλώσσες. Αυτό μπορεί να προκαλέσει αλλαγή στην κατάταξη λόγω απώλειας πίστωσης από αυτούς τους ασυνήθιστους συνδέσμους.
Η Google έχει τονίσει σταθερά ότι οι σύνδεσμοι που λαμβάνονται μέσω πλαστογράφησης κατάταξης αναζήτησης θεωρούνται σύνδεσμοι ανεπιθύμητης αλληλογραφίας. με αυτήν την ενημέρωση Οι αλγόριθμοι και οι μη αυτόματες ενέργειες έχουν σχεδιαστεί για να παρακάμπτουν αυτούς τους ανώμαλους συνδέσμους σε κλίμακα. Εάν ένας χρήστης συναντήσει έναν ιστότοπο που περιλαμβάνει αφύσικη δημιουργία συνδέσμων Μπορούν να αναφέρουν απευθείας στην Google. Να είστε συγκεκριμένοι σχετικά με αυτήν την ενημέρωση. Οι χρήστες μπορούν να δημοσιεύουν μηνύματα στην [Κοινότητα βοήθειας] (https://goo.gle/sc-forum){rel="nofollow"} της Google.
Σε αυτήν την ανάρτηση, οι Duy Nguyen, Ildar Akhmedyanov, Jacob N Scott και Karthikgeyan Elangovan συζητούν τον τρόπο κλιμάκωσης των λειτουργιών μηχανικής εκμάθησης υπολογιστών υψηλής απόδοσης (HPC). Περισσότερα δεδομένα και ο αριθμός των μοντέλων που χρησιμοποιούνται στη μηχανική μάθηση. Ως εκ τούτου, τα συστήματα HPC πρέπει να εκμεταλλεύονται μεγαλύτερους υπολογιστικούς πόρους. Περιγράφουν μια τυπική εγκατάσταση HPC και συζητούν πώς να ενεργοποιήσετε την κατανεμημένη εκπαίδευση.
Ο συγγραφέας προσφέρει επίσης συμβουλές για το πώς να βελτιστοποιήσετε τη γραμμή δεδομένων για καλύτερη απόδοση. Ένα σημαντικό βήμα είναι να διασφαλιστεί ότι τα δεδομένα έχουν υποστεί προεπεξεργασία πριν σταλούν στον κόμβο υπολογιστών. Αυτό μειώνει την επιβάρυνση του δικτύου και βοηθά τους κόμβους να λειτουργούν με κορυφαία απόδοση. Συζητούν επίσης τη σημασία της χρήσης πλαισίων όπως το TensorFlow ή το PyTorch για κατανεμημένη εκπαίδευση. Καθώς πρόκειται για βελτιστοποιημένες μεθόδους για τον παραλληλισμό του μοντέλου.
Τέλος, ο συγγραφέας παρέχει μια επισκόπηση δημοφιλών συστημάτων HPC όπως το Apache Spark και το Kubernetes που μπορούν να χρησιμοποιηθούν για το χειρισμό εργασιών μηχανικής μάθησης μεγάλης κλίμακας. Καταλήγουν δηλώνοντας ότι τα συστήματα HPC είναι απαραίτητα για την κλιμάκωση των λειτουργιών μηχανικής μάθησης στον σημερινό κόσμο των μεγάλων δεδομένων και των πολύπλοκων μοντέλων.