שימוש ב-AlphaEvolve

עכשיו, אחרי שיש לכם סביבת עבודה של Gemini Enterprise ואישרתם את הגישה ל-API, אתם יכולים להתחיל להשתמש ב-AlphaEvolve API.

במאגר AlphaEvolve יש כמה נכסים וארטיפקטים שיעזרו לכם להריץ את ניסוי AlphaEvolve הראשון:

  • מיומנויות AlphaEvolve: אפשר להשתמש במיומנויות האלה עם עוזר לתכנות כדי להקל על תהליך העבודה מקצה לקצה בניסויי AlphaEvolve.

  • דוגמאות לניסויים בתרחישי שימוש (קוד): אפשר לעיין בקוד לדוגמה שכולל מגוון אתגרים באופטימיזציה ותרחישי שימוש ב-AlphaEvolve, כמו אופטימיזציה קומבינטורית, עיבוד אותות מרובי-מטרות וכוונון עדין של LLM.

  • דוגמאות לשימוש ב-Cluster Toolkit: פישוט תהליך הפריסה של עומסי עבודה של מחשוב עתיר ביצועים (HPC), בינה מלאכותית (AI) ולמידת מכונה (ML) ב- Google Cloud. הדוגמאות האלה עוזרות לכם להאיץ את הפריסה של מאגרי תגים מותאמים אישית עבור בודקי ההגדרות או את ההידור וההצגה של האלגוריתמים שעברו אופטימיזציה.

כדי להתחיל, משכפלים את מאגר AlphaEvolve או מורידים את קובץ ה-TAR שסופק.

מיומנויות של AlphaEvolve לפיתוח אג'נטי

הכישורים של AlphaEvolve מאפשרים להריץ ניסויים של AlphaEvolve ישירות מתוך עוזר תכנות מבוסס-סוכן, כמו Antigravity. בעזרת היכולות האלה, העוזר לתכנות מנחה אתכם לאורך כל תהליך העבודה של AlphaEvolve, כולל הגדרת הניסוי, הפעלת הלולאה האבולוציונית, מעקב אחר ההתקדמות ושילוב התוצאות הטובות ביותר בחזרה בקוד.

המאגר כולל שש מיומנויות ספציפיות של AlphaEvolve, עם קובץ README.md וקובץ SKILLS.md לכל אחת מהן:

  • alpha_evolve_consultant
  • alpha_evolve_experiment_design
  • alpha_evolve_monitor
  • alpha_evolve_orchestrator
  • alpha_evolve_post_experiment
  • alpha_evolve_runner

מגבלות נוכחיות

  • ‫Python בלבד: המיומנויות תומכות רק בקוד Python מתפתח.

  • מיקום קוד יחיד: המערכת נבדקת כדי לפתח מיקום קוד אחד בכל פעם. אפשר לכלול הקשר מכמה קבצים, אבל עדיין לא בוצע אימות של אופטימיזציה בו-זמנית של כמה בלוקים של התפתחות.

Usage

מאמתים באמצעות Google Cloud CLI:

   gcloud auth application-default login

מנחים את העוזר לתכנות לשפר את הקוד באמצעות AlphaEvolve. דוגמאות להנחיות:

  • ‫"Use AlphaEvolve to optimize the code of this model to make it faster.'

  • "תגדיר ניסוי AlphaEvolve כדי למצוא אלגוריתם טוב יותר לפונקציית התזמון הזו".

  • "תפתח את פונקציית האובדן הזו כדי לשפר את ההתכנסות לנקודת ההשוואה XYZ הזו".

העוזר הדיגיטלי ידריך אתכם בתהליך ההגדרה, יריץ את לולאת ההערכה ויעזור לכם לשלב את התוצאה הטובה ביותר בחזרה בבסיס הקוד.

בנוסף למיומנויות של תהליכי עבודה, מיומנות alpha_evolve_consultant פועלת כעוזר מומחה לשאלות ותשובות עבור AlphaEvolve. הוא יכול לעזור לכם לקבוע אם בעיה מתאימה ל-AlphaEvolve, לתת לכם עצות לגבי הטמעה של כלי הערכה, להסביר על אפשרויות ההגדרה של זמן הריצה ולפתור בעיות על סמך מדריך ההפניה הרשמי של AlphaEvolve.

תרחישים לדוגמה לשימוש ב-AlphaEvolve

מאגר AlphaEvolve מכיל את ספריית Python בצד הלקוח וניסויים לדוגמה בתיקייה use-cases. לפני שמתחילים, כדאי לעיין בקובץ README עם הדוגמאות האלה:

תרחיש לדוגמה / רמה תיאור התמקדות בלימודים
תחילת העבודה: אופטימיזציה קומבינטורית (בסיסית) לפתח היוריסטיקה טהורה של Python כדי לארוז עיגולים בריבוע יחידה או למצוא את המסלול הקצר ביותר בבעיית הסוכן הנוסע באמצעות הערכה מקומית של exec() ללא תשתית ענן. לומדים את המכניקה של לולאת הליבה (תוכנית הזרעים ← סמני EVOLVE-BLOCK ← מעריך ← בקר) ומתבוננים בשיפור איטרטיבי בערך הבסיס.
הערכה של כמה יעדים: עיבוד אותות (ביניים) פיתוח מסנן אדפטיבי של סדרת זמן שמוערך על סמך יותר מ-14 מדדים מתחרים (החלקה, השהיה, היפוך שגוי, הפחתת רעשים וכו') ב-5 אותות בדיקה לא סטציונריים. במאמר הזה נסביר איך לעצב יעדים מורכבים משוקללים, להחזיר תובנות מובנות לתיקון עצמי של LLM ולהגן על מעריכים באמצעות פסק זמן מוגדר.
הערכה מרחוק בהיקף נרחב: צינור עיבוד נתונים של למידת מכונה (ביניים) פיתוח של צינור מלא של scikit-learn (הנדסת תכונות ובחירת מודל) שמוערך על ידי כלי הערכה בקונטיינר ב-Cloud Run. לומדים על דפוסי הערכה מרחוק באמצעות Dockerfile,‏ cloudbuild.yaml ומשאבי Artifact Registry / IAM שהוקצו באמצעות Terraform.
תשתית של מעבדים גרפיים (GPU) לייצור: כוונון עדין של מודלים גדולים של שפה (מתקדם) שינוי היפרפרמטרים של LoRA עבור Gemma במערך נתונים של קריאה לפונקציה, שאומן על GPUs מסוג L4 עם התאמה לעומס (autoscaling) באמצעות RayCluster מתמשך ב-GKE. כאן אפשר ללמוד איך לחבר את AlphaEvolve לתשתית של אימון בסביבת ייצור עם אמצעי בקרה על העלויות ויכולת צפייה מלאה.

‫Google Cloud Batch (באמצעות Cluster Toolkit)

בעיות באופטימיזציה ובגילוי אלגוריתמים משתנות בהתאם לסוג ולעלות החישוב של כלי ההערכה שלהם. חלק מהמעריכים פועלים באותה סביבת Python כמו הבקר, אבל אחרים דורשים קומפילציה ייעודית או העברה למכונות עובדות.

בדוגמה הזו מוסבר איך להעביר את ההרצה של כלי ההערכה אל Google Cloud Batch, באמצעות קונטיינרים מותאמים אישית וקומפילציה של קוד לפי הצורך. הגישה הזו מאפשרת לכם להגדיר אופטימיזציות שדורשות מחסנית תוכנה מורכבת (כמו הפעלת אפליקציית ISV/OSS או אופטימיזציה של חלקים בחבילת תוכנה של מחשוב מדעי במקום). ‫Cloud Batch מאפשרת שליטה ישירה בסוגי המופעים הנדרשים ובהגדרות המאיצים. Google Cloud

בדוגמה hpc-batch-ctk שסופקה עם נכסי AlphaEvolve נעשה שימוש ב:

תור הודעות של Pub או Sub לתקשורת בין הבקר לבין המעריכים.

קטגוריה של Cloud Storage לאחסון תוצאות הניסוי.

מכונת JupyterLab כדי להקל על הגישה לנתונים ועל ההדמיה שלהם.

משתמשים ב-Cluster Toolkit של Google כדי להגדיר ולפרוס את כל רכיבי התשתית הנדרשים. מידע נוסף על מאגר AlphaEvolve EAP לפריסה זמין בהוראות שבתיקייה hpc-batch-ctk שנמצאת בתוך קובץ README.