Crowdsourcing experiments

Aplikacja ta pozwala na uczestnictwo w eksperymencie crowdsourcingu, aby pomóc naukowcom w rozwiązywaniu złożonych problemów za pomocą open source wspólnej wiedzy dostępnej w http://github.com/ctuning/ck Engine. Możesz zobaczyć wszystkie wyniki tłum publicznych na http://cknowledge.org/repo! Można również sprawdzić inne sposoby udziału w eksperymencie crowdsourcingu (za pomocą laptopów i centra danych) przy https://github.com/ctuning/ck/wiki/Crowdsourcing-optimization. Wreszcie, można uzyskać otwartych źródeł tej aplikacji Android na https://github.com/ctuning/crowdsource-experiments-using-android-devices. Rozwój ten jest koordynowany przez non-profit cTuning założenia: http://cTuning.org. Proszę, sprawdź nasze inne inicjatywy na rzecz otwartej nauki na http://cTuning.org/reproducibility-wiki.

Mamy zmaga się z brakiem zasobów obliczeniowych i zróżnicowanej obciążeń zwią- / zestawów danych / sprzętu dla naszych własnych badań, aby szybciej, mniejsze, bardziej energooszczędny niezawodne oprogramowanie samodostrajanie i sprzęt do ponad dziesięciu lat! Rzeczywiście, systemy komputerowe stają się bardzo nieefektywne - to w dzisiejszych czasach nie jest rzadkością, aby uzyskać 10x speedups, 2x zmniejszenie wielkości i 40% redukcji energii dla popularnych algorytmów (DNN Blas, przetwarzanie wideo) na najnowszym sprzęcie z wykorzystaniem tzw automatycznego nastawienia różnych parametrów algorytmu oraz optymalizacje kompilatora. Jednak proces ten jest bardzo czasochłonne ze względu na bardzo duże projektowanie i optymalizacja przestrzeni.

Z pomocą cTuning fundacji non-profit, opracowaliśmy tę open source Collective technologię wiedzy (CK), aby pozwolić obciążeń udział wspólnotowy, zbiorów danych, narzędzi i przepływu pracy doświadczalne w otwartym formacie CK poprzez GitHub lub BitBucket, crowdsource eksperymenty poprzek liczne urządzenia dostarczone przez wolontariuszy, klasyfikowania rozwiązań w locie (aktywne uczenie się), stosuje Predictive Analytics, wymiany wiedzy i rozmnażać wyników. Nasze obecne wspólne scenariusze doświadczalne tym GCC i flag kompilatora LLVM strojenia i planujemy dodać automatyczne OpenCL / CUDA strojenia, testowania skalowalność, wykrywanie kompilator Bugu i numerycznej analizy stabilności (patrz CK oparte raport interaktywny: http://cknowledge.org/ interaktywny-report)! Ta aplikacja po prostu pyta dowolnego dostępnego serwera CK publicznego, otrzymuje pakiet doświadczalny dla danego urządzenia (takie jak kilku binariów udostępnionego odniesienia z różnymi optymalizacje), prowadzi go na urządzeniu mobilnym z jakimiś przypadkowymi danymi zawartymi i wysyłania danych statystycznych z powrotem do serwera CK być przetwarzane przy użyciu aktywnego uczenia się i analiz predykcyjnych.

Udział wspiera naszą otwartą naukę i powtarzalne inicjatywy badawcze, takie jak Artifact oceny na różnych konferencjach (Udostępnianie przepływy eksperymentalnych ze wszystkimi związanymi artefaktów i wyników wraz z publikacji w powtarzalny i wielokrotnego użytku sposób zostać zatwierdzone przez społeczność):

* http://cTuning.org/ae

* http://adapt-workshop.org

* http://ctuning.org/reproducibility-wiki

Możesz przeczytać więcej o naszej długoterminowej wizji w następujących publikacjach:

* http://arxiv.org/abs/1506.06256

* http://bit.ly/ck-date16

* http://hal.inria.fr/hal-01054763

* http://arxiv.org/abs/1406.4020

* https://hal.inria.fr/inria-00436029

Chcielibyśmy podziękować naszym kibicom bieżących:

* Http://cTuning.org (fundacja non-profit)

* http://dividiti.com

Mamy wiele nowych pomysłów i możliwych projektów opartych na tej technologii. Jeśli jesteś zainteresowany, aby dowiedzieć się więcej, a nawet wziąć udział w naszych działaniach, dołącz do naszej rosnącej konsorcjum akademickie i przemysłowe, optymalizacji lub udostępniać swoje realne obciążenia, wdrożyć nowe scenariusze Eksperyment crowdsourcing, zapewnić więcej zasobów obliczeniowych, nie wahaj się skontaktować z autorem (Grigori Fursin, http://fursin.net) lub poprzez naszą listę mailingową publicznym:

* https://groups.google.com/forum/#!forum/collective-knowledge

Bardzo dziękuję za udział w eksperymencie crowdsourcingu i umożliwienie otwartej nauki!