यह पोस्ट बताती है कि कैसे अमेज़ॅन कोडव्हिस्पीर बढ़ी हुई संसाधन दक्षता के माध्यम से स्थिरता के लिए कोड अनुकूलन में मदद कर सकता है। कम्प्यूटेशनल रूप से संसाधन-कुशल कोडिंग एक ऐसी तकनीक है जिसका उद्देश्य कोड की एक पंक्ति को संसाधित करने के लिए आवश्यक ऊर्जा की मात्रा को कम करना है और परिणामस्वरूप, कुल मिलाकर कम ऊर्जा खपत करने में कंपनियों की सहायता करना है। क्लाउड कंप्यूटिंग के इस युग में, डेवलपर्स अब बड़े पैमाने पर माइक्रोसर्विसेज बनाने के लिए ओपन सोर्स लाइब्रेरीज़ और उनके पास उपलब्ध उन्नत प्रोसेसिंग पावर का उपयोग कर रहे हैं, जिन्हें परिचालन रूप से कुशल, प्रदर्शनशील और लचीला बनाने की आवश्यकता है। हालाँकि, आधुनिक अनुप्रयोगों में अक्सर शामिल होते हैं व्यापक कोड, महत्वपूर्ण कंप्यूटिंग संसाधनों की मांग. यद्यपि प्रत्यक्ष पर्यावरणीय प्रभाव स्पष्ट नहीं हो सकता है, उप-अनुकूलित कोड बढ़ी हुई ऊर्जा खपत, लंबे समय तक हार्डवेयर उपयोग और पुराने एल्गोरिदम जैसे कारकों के माध्यम से आधुनिक अनुप्रयोगों के कार्बन पदचिह्न को बढ़ाता है। इस पोस्ट में, हमें पता चलता है कि कैसे Amazon CodeWhisperer इन चिंताओं को दूर करने और आपके कोड के पर्यावरणीय प्रभाव को कम करने में मदद करता है।
अमेज़ॅन कोडव्हिस्परर एक जेनरेटिव एआई कोडिंग साथी है जो मौजूदा कोड और प्राकृतिक भाषा टिप्पणियों के आधार पर सुझाव देकर सॉफ्टवेयर विकास को गति देता है, समग्र विकास प्रयास को कम करता है और विचार-मंथन, जटिल समस्याओं को हल करने और विभेदित कोड लिखने के लिए समय खाली करता है। अमेज़ॅन कोडव्हिस्परर डेवलपर्स को उनके वर्कफ़्लो को सुव्यवस्थित करने, कोड की गुणवत्ता बढ़ाने, मजबूत सुरक्षा स्थिति बनाने, मजबूत परीक्षण सूट बनाने और कम्प्यूटेशनल रूप से संसाधन अनुकूल कोड लिखने में मदद कर सकता है, जो आपको पर्यावरणीय स्थिरता के लिए अनुकूलन करने में मदद कर सकता है। यह के भाग के रूप में उपलब्ध है विजुअल स्टूडियो कोड के लिए टूलकिट, AWS क्लाउड 9, ज्यूपिटरलैब, अमेज़ॅन सैजमेकर स्टूडियो, AWS लाम्बा, एडब्ल्यूएस गोंद, और JetBrains IntelliJ IDEA। अमेज़ॅन कोडव्हिस्परर वर्तमान में पायथन, जावा, जावास्क्रिप्ट, टाइपस्क्रिप्ट, सी#, गो, रस्ट, पीएचपी, रूबी, कोटलिन, सी, सी++, शेल स्क्रिप्टिंग, एसक्यूएल और स्काला का समर्थन करता है।
क्लाउड कंप्यूटिंग और एप्लिकेशन कार्बन फ़ुटप्रिंट पर अअनुकूलित कोड का प्रभाव
AWS का बुनियादी ढांचा सर्वेक्षण किए गए अमेरिकी एंटरप्राइज़ डेटा सेंटरों की तुलना में 3.6 गुना अधिक ऊर्जा कुशल है और औसत यूरोपीय एंटरप्राइज़ डेटा सेंटरों की तुलना में 5 गुना अधिक ऊर्जा कुशल है।. इसलिए, AWS कार्यभार कार्बन फ़ुटप्रिंट को 96% तक कम करने में मदद कर सकता है। अब आप कम संसाधन उपयोग और ऊर्जा खपत के साथ गुणवत्ता कोड लिखने और एडब्ल्यूएस ऊर्जा कुशल बुनियादी ढांचे से लाभ उठाते हुए स्केलेबिलिटी उद्देश्यों को पूरा करने के लिए अमेज़ॅन कोडव्हिस्परर का उपयोग कर सकते हैं।
संसाधन उपयोग में वृद्धि
अअनुकूलित कोड के परिणामस्वरूप क्लाउड कंप्यूटिंग संसाधनों का अप्रभावी उपयोग हो सकता है। परिणामस्वरूप, अधिक वर्चुअल मशीनों (वीएम) या कंटेनरों की आवश्यकता हो सकती है, जिससे संसाधन आवंटन, ऊर्जा उपयोग और कार्यभार के संबंधित कार्बन पदचिह्न में वृद्धि होगी। आपको निम्नलिखित में वृद्धि का सामना करना पड़ सकता है:
- सीपीयू का उपयोग - गैर-अनुकूलित कोड में अक्सर अकुशल एल्गोरिदम या कोडिंग प्रथाएं होती हैं जिन्हें चलाने के लिए अत्यधिक सीपीयू चक्र की आवश्यकता होती है।
- मेमोरी की खपत - अअनुकूलित कोड में अकुशल मेमोरी प्रबंधन के परिणामस्वरूप अनावश्यक मेमोरी आवंटन, डीलोकेशन या डेटा दोहराव हो सकता है।
- डिस्क I/O संचालन -अकुशल कोड अत्यधिक इनपुट/आउटपुट (I/O) संचालन कर सकता है। उदाहरण के लिए, यदि डेटा को आवश्यकता से अधिक बार डिस्क से पढ़ा या लिखा जाता है, तो यह डिस्क I/O उपयोग और विलंबता को बढ़ा सकता है।
- नेटवर्क उपयोग - अप्रभावी डेटा ट्रांसमिशन तकनीकों या डुप्लिकेट संचार के कारण, खराब अनुकूलित कोड अत्यधिक मात्रा में नेटवर्क ट्रैफ़िक का कारण बन सकता है। इससे उच्च विलंबता और नेटवर्क बैंडविड्थ उपयोग में वृद्धि हो सकती है। नेटवर्क उपयोग में वृद्धि के परिणामस्वरूप उन स्थितियों में अधिक खर्च और संसाधन की आवश्यकता हो सकती है जहां नेटवर्क संसाधनों पर उपयोग के आधार पर कर लगाया जाता है, जैसे क्लाउड कंप्यूटिंग में।
उच्च ऊर्जा खपत
अकुशल कोड वाले इंफ्रास्ट्रक्चर-समर्थक एप्लिकेशन अधिक प्रोसेसिंग पावर का उपयोग करते हैं। अकुशल, फूले हुए कोड के कारण कंप्यूटिंग संसाधनों का अत्यधिक उपयोग करने से उच्च ऊर्जा खपत और गर्मी उत्पादन हो सकता है, जिसके बाद शीतलन के लिए अधिक ऊर्जा की आवश्यकता होती है। सर्वर के साथ-साथ, शीतलन प्रणाली, बिजली वितरण के लिए बुनियादी ढांचा और अन्य सहायक तत्व भी ऊर्जा की खपत करते हैं।
स्केलेबिलिटी चुनौतियाँ
अनुप्रयोग विकास में, स्केलेबिलिटी समस्याएँ अअनुकूलित कोड के कारण हो सकती हैं। जैसे-जैसे कार्य बढ़ता है, ऐसे कोड प्रभावी ढंग से स्केल नहीं कर पाते, अधिक संसाधनों की आवश्यकता होती है और अधिक ऊर्जा का उपयोग होता है। इससे इन कोड अंशों द्वारा खपत की जाने वाली ऊर्जा बढ़ जाती है। जैसा कि पहले उल्लेख किया गया है, अकुशल या बेकार कोड का बड़े पैमाने पर जटिल प्रभाव पड़ता है।
ग्राहकों द्वारा कुछ डेटा केंद्रों में चलाए जाने वाले अनुकूलन कोड से होने वाली मिश्रित ऊर्जा बचत तब और भी बढ़ जाती है जब हम इस बात पर ध्यान देते हैं कि AWS जैसे क्लाउड प्रदाताओं के पास दुनिया भर में दर्जनों डेटा केंद्र हैं।
अमेज़ॅन कोडव्हिस्परर मूल कोड और प्राकृतिक भाषा टिप्पणियों के आधार पर वास्तविक समय में कोड अनुशंसाएं प्रदान करने के लिए मशीन लर्निंग (एमएल) और बड़े भाषा मॉडल का उपयोग करता है, और कोड अनुशंसाएं प्रदान करता है जो अधिक कुशल हो सकती हैं। एल्गोरिथम प्रगति, प्रभावी मेमोरी प्रबंधन और व्यर्थ I/O संचालन में कमी सहित रणनीतियों का उपयोग करके कोड को अनुकूलित करके कार्यक्रम की बुनियादी ढांचे की उपयोग दक्षता को बढ़ाया जा सकता है।
कोड निर्माण, पूर्णता, और सुझाव
आइए कई स्थितियों की जाँच करें जहाँ Amazon CodeWhisperer उपयोगी हो सकता है।
दोहराए जाने वाले या जटिल कोड के विकास को स्वचालित करके, कोड जनरेशन टूल प्लेटफ़ॉर्म-विशिष्ट अनुकूलन पर ध्यान केंद्रित करते हुए मानवीय त्रुटि की संभावना को कम करते हैं। स्थापित पैटर्न या टेम्प्लेट का उपयोग करके, ये प्रोग्राम ऐसे कोड का उत्पादन कर सकते हैं जो स्थिरता की सर्वोत्तम प्रथाओं का अधिक लगातार पालन करते हैं। डेवलपर्स ऐसे कोड का उत्पादन कर सकते हैं जो विशेष कोडिंग मानकों का अनुपालन करते हैं, जिससे पूरे प्रोजेक्ट में अधिक सुसंगत और भरोसेमंद कोड वितरित करने में मदद मिलती है। परिणामी कोड अधिक कुशल हो सकता है और क्योंकि यह मानव कोडिंग विविधताओं को हटा देता है, और अधिक सुपाठ्य हो सकता है, जिससे विकास की गति में सुधार हो सकता है। यह एप्लिकेशन प्रोग्राम के आकार और लंबाई को कम करने के तरीकों को स्वचालित रूप से कार्यान्वित कर सकता है, जैसे अनावश्यक कोड को हटाना, परिवर्तनीय भंडारण में सुधार करना, या संपीड़न विधियों का उपयोग करना। ये अनुकूलन मेमोरी खपत अनुकूलन में सहायता कर सकते हैं और पैकेज आकार को छोटा करके समग्र सिस्टम दक्षता को बढ़ा सकते हैं।
जनरेटिव एआई संसाधन आवंटन को अनुकूलित करके प्रोग्रामिंग को अधिक टिकाऊ बनाने की क्षमता है। किसी एप्लिकेशन के कार्बन फ़ुटप्रिंट को समग्र रूप से देखना महत्वपूर्ण है। उपकरण जैसे अमेज़ॅन कोडगुरु प्रोफाइलर घटकों के बीच विलंबता को अनुकूलित करने के लिए प्रदर्शन डेटा एकत्र कर सकता है। प्रोफ़ाइलिंग सेवा कोड रन की जांच करती है और संभावित सुधारों की पहचान करती है। ऊर्जा दक्षता को और बेहतर बनाने के लिए डेवलपर्स इन निष्कर्षों के आधार पर स्वचालित रूप से जेनरेट किए गए कोड को परिष्कृत कर सकते हैं। जेनरेटिव एआई, प्रोफाइलिंग और मानव निरीक्षण का संयोजन एक फीडबैक लूप बनाता है जो लगातार कोड दक्षता में सुधार कर सकता है और पर्यावरणीय प्रभाव को कम कर सकता है।
निम्नलिखित स्क्रीनशॉट आपको लेटेंसी मोड में कोडगुरु प्रोफाइलर से उत्पन्न परिणाम दिखाता है, जिसमें नेटवर्क और डिस्क I/O शामिल हैं। इस मामले में, एप्लिकेशन अभी भी अपना अधिकांश समय व्यतीत करता है ImageProcessor.extractTasks (दूसरी निचली पंक्ति), और उसके अंदर लगभग हर समय चलने योग्य है, जिसका अर्थ है कि यह किसी भी चीज़ का इंतजार नहीं कर रहा था। आप सीपीयू मोड से विलंबता मोड में बदलकर इन थ्रेड स्थितियों को देख सकते हैं। इससे आपको यह जानने में मदद मिल सकती है कि एप्लिकेशन की दीवार घड़ी के समय पर क्या प्रभाव पड़ रहा है। अधिक जानकारी के लिए देखें Amazon CodeGuru प्रोफाइलर के साथ अपने संगठन के कार्बन फ़ुटप्रिंट को कम करना.
परीक्षण मामले उत्पन्न करना
अमेज़ॅन कोडव्हिस्पीर परीक्षण मामलों का सुझाव देने और सीमा मूल्यों, किनारे के मामलों और अन्य संभावित मुद्दों पर विचार करके कोड की कार्यक्षमता को सत्यापित करने में मदद कर सकता है जिन्हें परीक्षण करने की आवश्यकता हो सकती है। इसके अलावा, अमेज़ॅन कोडव्हिस्परर यूनिट परीक्षण के लिए दोहरावदार कोड बनाना सरल बना सकता है। उदाहरण के लिए, यदि आपको INSERT स्टेटमेंट का उपयोग करके नमूना डेटा बनाने की आवश्यकता है, तो Amazon CodeWhisperer एक पैटर्न के आधार पर आवश्यक इंसर्ट उत्पन्न कर सकता है। संसाधन-गहन परीक्षण मामलों की पहचान और अनुकूलन करके या अनावश्यक को हटाकर सॉफ़्टवेयर परीक्षण के लिए समग्र संसाधन आवश्यकताओं को भी कम किया जा सकता है। बेहतर परीक्षण सूट में ऊर्जा दक्षता में वृद्धि, संसाधन खपत में कमी, अपशिष्ट को कम करने और कार्यभार कार्बन पदचिह्न को कम करके एप्लिकेशन को अधिक पर्यावरण के अनुकूल बनाने की क्षमता है।
Amazon CodeWhisperer के साथ अधिक व्यावहारिक अनुभव के लिए, देखें Amazon CodeWhisperer के साथ सॉफ़्टवेयर विकास को अनुकूलित करें. पोस्ट अमेज़ॅन कोडव्हिस्परर की कोड अनुशंसाओं को प्रदर्शित करता है अमेज़ॅन सैजमेकर स्टूडियो. यह डेटासेट को लोड करने और उसका विश्लेषण करने के लिए टिप्पणियों के आधार पर सुझाए गए कोड को भी प्रदर्शित करता है।
निष्कर्ष
इस पोस्ट में, हमने सीखा कि कैसे Amazon CodeWhisperer डेवलपर्स को अनुकूलित, अधिक टिकाऊ कोड लिखने में मदद कर सकता है। उन्नत एमएल मॉडल का उपयोग करते हुए, अमेज़ॅन कोडव्हिस्परर आपके कोड का विश्लेषण करता है और दक्षता में सुधार के लिए व्यक्तिगत सिफारिशें प्रदान करता है, जो लागत को कम कर सकता है और कार्बन पदचिह्न को कम करने में मदद कर सकता है।
मामूली समायोजन और वैकल्पिक तरीकों का सुझाव देकर, अमेज़ॅन कोडव्हिस्परर डेवलपर्स को कार्यक्षमता का त्याग किए बिना संसाधन उपयोग और उत्सर्जन में महत्वपूर्ण कटौती करने में सक्षम बनाता है। चाहे आप मौजूदा कोड बेस को अनुकूलित करना चाह रहे हों या यह सुनिश्चित करना चाहते हों कि नई परियोजनाएं संसाधन कुशल हों, अमेज़ॅन कोडव्हिस्परर एक अमूल्य सहायता हो सकता है। कोड अनुकूलन के लिए Amazon CodeWhisperer और AWS सस्टेनेबिलिटी संसाधनों के बारे में अधिक जानने के लिए, निम्नलिखित अगले चरणों पर विचार करें:
लेखक के बारे में
ईशा दुआ सैन फ्रांसिस्को खाड़ी क्षेत्र में स्थित एक वरिष्ठ समाधान वास्तुकार है। वह AWS एंटरप्राइज़ ग्राहकों को उनके लक्ष्यों और चुनौतियों को समझकर बढ़ने में मदद करती हैं, और उनका मार्गदर्शन करती हैं कि कैसे वे लचीलापन और मापनीयता सुनिश्चित करते हुए क्लाउड-नेटिव तरीके से अपने एप्लिकेशन को आर्किटेक्ट कर सकते हैं। वह मशीन लर्निंग तकनीकों और पर्यावरणीय स्थिरता के बारे में भावुक है।
अजय गोविंदराम AWS में एक वरिष्ठ समाधान वास्तुकार हैं। वह रणनीतिक ग्राहकों के साथ काम करता है जो जटिल व्यावसायिक समस्याओं को हल करने के लिए एआई/एमएल का उपयोग कर रहे हैं। उनका अनुभव तकनीकी दिशा प्रदान करने के साथ-साथ बड़े पैमाने पर एआई/एमएल अनुप्रयोग परिनियोजन के लिए डिजाइन सहायता प्रदान करने में निहित है। उनका ज्ञान एप्लिकेशन आर्किटेक्चर से लेकर बिग डेटा, एनालिटिक्स और मशीन लर्निंग तक है। उन्हें आराम करते हुए संगीत सुनना, बाहर का अनुभव करना और अपने प्रियजनों के साथ समय बिताना अच्छा लगता है।
एरिक इरिगोयेन अमेज़ॅन वेब सर्विसेज में एक सॉल्यूशन आर्किटेक्ट है जो सेमीकंडक्टर्स और इलेक्ट्रॉनिक्स उद्योग में ग्राहकों पर ध्यान केंद्रित करता है। वह ग्राहकों की व्यावसायिक चुनौतियों को समझने और यह पहचानने के लिए उनके साथ मिलकर काम करता है कि उनके रणनीतिक लक्ष्यों को प्राप्त करने के लिए AWS का लाभ कैसे उठाया जा सकता है। उनका काम मुख्य रूप से आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग (एआई/एमएल) से संबंधित परियोजनाओं पर केंद्रित है। एडब्ल्यूएस में शामिल होने से पहले, वह डेलॉइट के एडवांस्ड एनालिटिक्स प्रैक्टिस में एक वरिष्ठ सलाहकार थे, जहां उन्होंने एनालिटिक्स और एआई/एमएल पर ध्यान केंद्रित करते हुए संयुक्त राज्य भर में कई कार्यक्रमों में वर्कस्ट्रीम का नेतृत्व किया। एरिक ने सैन फ्रांसिस्को विश्वविद्यालय से बिजनेस में बीएस और नॉर्थ कैरोलिना स्टेट यूनिवर्सिटी से एनालिटिक्स में एमएस किया है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/optimize-for-sustainability-with-amazon-codewhisperer/
