קריטריונים לזכאות לתרחישי שימוש

כדי לקבוע אם תרחיש שימוש מתאים ל-AlphaEvolve, צריך לבדוק אותו לפי שלוש נקודות מרכזיות הבאות.

1. ההיתכנות של ניסוח הבעיה:

   בודקים עד כמה פשוט להגדיר את הבעיה כבעיית אופטימיזציה של אלגוריתם.

   • אופטימיזציה ישירה של הקוד: הבעיה כוללת אופטימיזציה ישירה של ביצועי הקוד.

     • התאמה: יכול להיות שההתאמה טובה.

   • חיפוש מתמטי כללי או אופטימיזציה קומבינטורית: אפשר לתאר את משתני ההחלטה והאילוצים על פתרונות אפשריים כתוכנית בשפת תכנות סטנדרטית, שנתמכת על ידי קבוצה תואמת של בדיקות יחידה ובדיקות פונקציונליות. ההגדרה הזו חלה על רוב התרחישים לדוגמה של אופטימיזציה מתמטית.

     • התאמה: יכול להיות שההתאמה טובה.

   • חיפוש מתמטי מיוחד עם אופני נתונים ייחודיים: האופטימיזציה כוללת אופני נתונים שלא ניתן לבטא כפרמטרים ומשתנים בתוכנת מחשב (לדוגמה, מבני חלבון, נתונים גנומיים או אופטימיזציה של קטע וידאו ותוכן תמונה).

     • התאמה: לא מתאים. במקום זאת, כדאי להשתמש במודל או בנציג אופטימיזציה ספציפי לתחום, כמו AlphaFold או AlphaGenome למדעי החיים, או נציג GenMedia למקרי שימוש שיווקיים ויצירתיים.

   לפני שממשיכים, מוודאים שאפשר לתרגם את הלוגיקה והמגבלות העיקריות של הבעיה לקוד באופן מלא.

2. מורכבות בעיית האופטימיזציה:

   הערכה אם מורכבות בעיית האופטימיזציה תואמת ליכולות של AlphaEvolve.

   • לגילוי אלגוריתמים ולאופטימיזציה: הערכת המורכבות של מרחב התכנון של תוכניות שעשויות להיות נכונות:

     • בחירות עיצוב מצומצמות ומוגדרות היטב: לא מתאים.

     • אפשרויות עיצוב גדולות באופן אקספוננציאלי או בלתי מוגבלות: יכול להיות שזה מתאים.

   • לחיפוש מתמטי כללי ולאופטימיזציה קומבינטורית

     מעריכים את האופי של משתני ההחלטה האפשריים ושל פונקציית המטרה:

     • פונקציית מטרה קמורה, לינארית או שתיהן: לא מתאים.

     • פונקציית מטרה לא קמורה, לא לינארית או גם וגם: יכול להיות שהמודל מתאים.

     ‫AlphaEvolve מספק את החזר ה-ROI הגבוה ביותר כשפותרים מדויקים נתקלים במגבלות של קנה מידה קומבינטורי.

3. היתכנות של ההערכה וזמן הריצה:

   לקבוע אם אפשר למדוד את הביצועים של פתרון מוצע, ובמסגרת זמן סבירה (בדרך כלל כמה דקות).

   לבעיות גדולות ומורכבות בקוד שלוקח יותר מדי זמן להריץ באופן מקומי או במכונות Cloud Run נפרדות, אפשר להשתמש בפתרון AlphaEvolve HPC. הפתרון הזה נפרס באמצעות Cluster Toolkit ומשתמש ב-Batch וב-Cloud Build כדי להריץ הערכות במקביל בסוגי מכונות עם משאבים רבים. מידע נוסף זמין במאמר פתרון AlphaEvolve HPC.

   תרחיש לדוגמה מתאים אם אפשר להעריך את מדדי האימות של הפתרון ואת יעדי האופטימיזציה באמצעות אחת מהשיטות הבאות:

   • חישוב דטרמיניסטי: מחושב באופן אנליטי באמצעות נוסחאות או בדיקות בסיסיות של זמן ריצה.

   • הערכה מבוססת-נתונים: הערכה באמצעות אימות מול קבוצות נתונים לבדיקה מחוץ לדגימה, או סימולציה באמצעות כלים ומודלים ייעודיים לסימולציה.

   • בדיקת תשתית: נמדדת ישירות באמצעות בדיקות עומס ובדיקות ביצועים ברכיבי התשתית המטורגטים.

   לולאות הערכה מהירות, אוטומטיות ודטרמיניסטיות הן קריטיות כדי לאפשר מחזורי חיפוש אבולוציוניים מוצלחים.