NAconferência de engenharia @Scale do Facebook, a empresa anunciou uma ferramenta de inteligência artificial chamada “SapFix”. A ferramenta é uma benção para os engenheiros do Facebook, já que ela depura o código automaticamente.
A ferramenta AI híbrida gera automaticamente correções para erros específicos no código do Facebook e, em seguida, propõe aos engenheiros a aprovação e a implantação na produção.
De acordo com a empresa , o SapFix já está em uso para enviar atualizações de código robustas e estáveis para milhões de dispositivos Android usando o Facebook.
SapFix executado com ou sem Sapienz, que é a ferramenta inteligente de teste de software automatizado do Facebook para fazer o trabalho pesado. Sapienz aponta uma parte específica do código que estava envolvido na falha do código, que é então passada para o SapFix. A ferramenta AI apresenta algumas táticas para gerar uma correção de correção.
"Até onde sabemos, isso marca a primeira vez que uma correção gerada por máquina - com testes e reparos automatizados de ponta a ponta - foi implantada em uma base de código da escala do Facebook", menciona o post do blog.
O Facebook pretende tornar o SapFix open-source para a comunidade de engenharia no futuro.
Facebook adiciona suporte a parceiros de hardware para o compilador Glow
Aparentemente, o SapFix não é o único avanço anunciado pelo Facebook em sua jornada de aprendizado de máquina.
O Facebook está oficialmente adicionando suporte a parceiros para seu Glow Compiler usado para aceleração de hardware em aprendizado de máquina. Cadence, Esperanto, Intel, Marvell e Qualcomm Technologies Inc, uma subsidiária da Qualcomm Incorporated, agora fazem parte do projeto Glow, que melhora drasticamente os produtos de silício.
O Glow é um software de compilação que ajuda a projetar produtos de silício prontos para IA e ML muito mais rápido que as metodologias anteriores.
Enquanto gigantes da tecnologia como Apple e Google estão construindo seus próprios chips de silício, parece que o Facebook vai terceirizar chips de alto desempenho enquanto usa seu próprio código ML.
