Logic HADA: uno strumento per hardware dimensioning con regole logiche

Hardware Dimensioning consiste nel determinare le risorse hardware come la memoria RAM da assegnare ad un algoritmo rispettando vincoli di tempo e qualità della soluzione. HADA automated tool for HArdware Dimensioning of (AI) Algorithms è uno strumento per il supporto alle decisioni riguardanti iperparametri, risorse di tempo e memoria e qualità della soluzione di un algoritmo. Per fare previsioni su queste variabili vengono usati modelli di Machine Learning estratti dai dati ottenuti dal benchmarking degli algoritmi, questi modelli vengono poi integrati in un modello di ottimizzazione, risolvendo quest’ultimo si stimano le decisioni ottimali in base alle richieste dell’utente. Se questi modelli sono di grandi dimensioni la loro integrazione in HADA può avere costi computazionali ingenti, per ridurre questi costi in questo lavoro vengono proposte Regole Logiche come modello estratto dai dati e vengono messe a confronto con Decision Trees usati in precedenza da HADA, le Regole Logiche possono essere implementate nel modello di ottimizzazione con meno variabili e vincoli rispetto ai Decision Trees, portando a tempi di esecuzioni minori, ma anche a una possibile perdita di accuratezza nelle stime di HADA. Gli esperimenti sembrano confermare il minore uso di risorse e la perdita di accuratezza osservata non sembra elevata. Sono stati testati e comparati diversi set di regole, estratti usando i metodi di Symbolic Knowledge Extraction: GridREx, GridEx, CART e CReEPy, questi metodi permettono di estrarre un modello interpretabile come una teoria logica partendo da un dataset e un modello di Machine Learning addestrato su di questo. Il caso di studio sono gli algoritmi stocastici online Anticipate e Contingen- cy, applicati ad un problema di gestione della simulazione di un sistema di produzione di energia. L’applicazione sviluppata può essere usata per diversi algoritmi e potrebbe essere estesa in futuro per nuovi casi d’uso.