پلتفرم یکپارچه هوش مصنوعی متا برای بهینه‌سازی زیرساخت
هوش مصنوعیخلاصهٔ کامل‌تر
متا در یه پست فنی جدید از برنامه‌ی Capacity Efficiency خودش پرده برداشت؛ ابتکاری که هدفش اینه بدون اینکه تیم انسانی بزرگ‌تر بشه، بهینه‌سازی زیرساخت رو در مقیاس میلیاردی ادامه بده. وقتی کدت برای بیش از ۳ میلیارد نفر اجرا میشه، حتی یه پسرفت ۰.۱ درصدی می‌تونه به مصرف برق زیادی تبدیل بشه — این اعداد در مقیاس متا معنای واقعی دارن.
قلب این برنامه یه پلتفرم یکپارچه هوش مصنوعیه که دو جنبه‌ی کاملاً متفاوت رو پوشش می‌ده: «آفند» یعنی پیدا کردن فرصت‌های بهینه‌سازی در کدهای موجود، و «دفاع» یعنی شناسایی پسرفت‌هایی که به محیط تولید رسیدن و رفع‌شون. نکته‌ی جالب اینه که متا فهمید این دو مسئله ساختار یکسانی دارن و نیازی به دو سیستم جداگانه نیست.
این پلتفرم روی دو لایه ساخته شده. اول، MCP Tools هستن که رابط‌های استانداردی برای LLMها فراهم می‌کنن تا بتونن کارهایی مثل کوئری گرفتن از داده‌های پروفایلینگ، جستجو در کد، یا دریافت تاریخچه‌ی تنظیمات رو انجام بدن. دوم، Skills هستن که دانش تخصصی مهندسان ارشد رو کدنویسی می‌کنن — مثلاً اینکه برای پسرفت‌های مرتبط با لاگ‌گذاری باید سمپلینگ رو افزایش داد، یا اگه تابع آسیب‌دیده با سریالایزیشن سر و کار داره باید تغییرات اخیر اسکما رو بررسی کرد.
در جبهه‌ی دفاعی، ابزار داخلی FBDetect پسرفت‌های عملکردی به کوچکی ۰.۰۰۵ درصد رو در محیط تولید پیدا می‌کنه. وقتی یه پسرفت شناسایی میشه، AI Regression Solver فعال میشه: علت اصلی (معمولاً یه pull request) رو پیدا می‌کنه، از Skills مرتبط با اون نوع پسرفت استفاده می‌کنه، و یه pull request جدید برای رفع مشکل می‌سازه که مستقیم به نویسنده‌ی اصلی می‌رسه. قبلاً این pull requestها یا rollback می‌شدن (که سرعت توسعه رو کم می‌کرد) یا نادیده گرفته می‌شدن (که مصرف منابع رو بالا می‌برد).
در جبهه‌ی آفندی هم داستان مشابهیه. «فرصت‌های بهینه‌سازی» پیشنهادهای مفهومی برای بهبود کد موجودن. حالا مهندس می‌تونه یه فرصت رو انتخاب کنه و با یه کلیک، یه pull request آماده‌ی بررسی بگیره. ایجنت هوش مصنوعی متادیتا، مستندات، مثال‌های مشابه و فایل‌های مرتبط رو جمع‌آوری می‌کنه، دانش تخصصی رو اعمال می‌کنه (مثلاً memoization برای کاهش مصرف CPU)، کد رو تولید می‌کنه، و نهایتاً در ادیتور مهندس نمایش می‌ده.
نکته‌ی کلیدی اینه که هر دو جبهه از همون ابزارها استفاده می‌کنن؛ تنها تفاوت در Skills هست. این یعنی هر پیشرفتی در ابزارها هم برای دفاع و هم برای آفند سود داره — یه پلتفرم، بازدهی مرکب.
نتیجه‌ی عملی این رویکرد قابل‌توجهه: صدها مگاوات برق بازیابی شده (به اندازه‌ای که می‌تونه صدها هزار خانه‌ی آمریکایی رو برای یه سال روشن نگه داره)، و زمان بررسی دستی از حدود ۱۰ ساعت به ۳۰ دقیقه کاهش پیدا کرده. هدف نهایی متا یه «موتور بهینه‌سازی خودپاینده» ـه که هوش مصنوعی بخش بزرگی از کارهای تکراری رو خودش هندل کنه و مهندسان انسانی روی نوآوری محصول تمرکز کنن.
نکات کلیدی:
- متا یه پلتفرم یکپارچه AI ساخته که هم پسرفت‌های عملکردی رو رفع می‌کنه (دفاع) و هم بهینه‌سازی پیشگیرانه انجام می‌ده (آفند)
- پلتفرم از دو لایه تشکیل شده: MCP Tools (رابط‌های استاندارد) و Skills (دانش تخصصی کدشده)
- ابزار FBDetect پسرفت‌هایی به کوچکی ۰.۰۰۵ درصد رو در محیط تولید شناسایی می‌کنه
- AI Regression Solver به‌طور خودکار pull request رفع پسرفت رو می‌سازه و به نویسنده‌ی اصلی می‌فرسته
- زمان بررسی از ~۱۰ ساعت به ~۳۰ دقیقه رسیده
- صدها مگاوات برق بازیابی شده بدون افزایش متناسب تیم انسانی
- هر دو جبهه از همون ابزارها استفاده می‌کنن و فقط Skills بینشون فرق داره
