AlphaDev, un agente di intelligenza artificiale (AI) di DeepMind, ha scoperto nuovi e migliori algoritmi di ordinamento informatico ampiamente utilizzati nelle librerie del C++ (un comune linguaggio di programmazione informatica). Gli algoritmi generati dall’intelligenza artificiale, riportati questa settimana su Nature, sono stati integrati nella libreria di ordinamento C++, la prima modifica apportata a questa parte della libreria in oltre un decennio.
Gli algoritmi sono parte integrante dell’informatica e fungono da insieme di istruzioni per eseguire un compito computazionale specifico. Algoritmi fondamentali, come quelli di ordinamento, vengono eseguiti migliaia di volte al giorno. I tentativi di ottimizzare tali algoritmi hanno raggiunto un collo di bottiglia in cui gli esperti umani non possono ottimizzarli ulteriormente, un problema che gli agenti di intelligenza artificiale hanno il potenziale per risolvere.
I tentativi di utilizzare l’apprendimento profondo per migliorare gli algoritmi sono stati limitati dalla capacità di scoprire e ottimizzare solo nell’ambito degli esempi di addestramento utilizzati per sviluppare il sistema di apprendimento profondo. Un nuovo agente di deep reinforcement learning, chiamato AlphaDev, ha dimostrato di superare questa limitazione e di poter scoprire nuovi algoritmi senza bisogno di un addestramento specifico per il problema.
Gli studiosi hanno trasformato il compito di trovare algoritmi di ordinamento migliori in un gioco e hanno addestrato AlphaDev a giocarci. Giocando, AlphaDev ha scoperto algoritmi di ordinamento che hanno superato lo stato dell’arte degli algoritmi esistenti. Alcuni dei nuovi algoritmi di ordinamento sono stati integrati nella funzione di ordinamento standard della libreria C++, un sistema utilizzato da diversi milioni di utenti, tra cui università e aziende internazionali.
“La potenza di questo approccio deriva dal fatto che il sistema può imparare a generare programmi efficienti sulla base di un segnale di ricompensa, senza bisogno di alcuna guida da esempi di addestramento”, scrive Armando Solar-Lezama in un articolo di accompagnamento di News & Views. Aggiunge che “la generalità dell’approccio e la sua capacità di operare senza alcuna conoscenza precedente del problema lo rendono un passo fondamentale verso una programmazione ad alte prestazioni con un intervento minimo da parte degli esperti”.
