في عالم البرمجة، قد تعاني الشيفرات من عيوب في الأداء تؤدي إلى نتائج غير مرضية. ولهذا السبب، يتطلب الأمر البحث والتطبيق لتحسين الأداء. الأساليب التقليدية، التي تعتمد على القواعد اليدوية، غالبًا ما تكون مستهلكة للوقت ومحدودة في تطبيقها، حيث يتطلب الأمر تصميم وصيانة قواعد محددة لأخطاء الأداء مثل الحلقات الزائدة أو الحسابات المتكررة.

ومع تقدم التعلم الآلي (Machine Learning) وتقنيات التعلم العميق (Deep Learning)، برزت طرق جديدة تقترح حلولًا واعدة لتحسين الأداء، من خلال تعلم الاستراتيجيات المثلى من مجموعات الشيفرات المعلّمة وقياسات الأداء. لكن غالبًا ما تعتمد هذه الطرق على تمثيلات برامج محددة وبيانات تدريب مصممة بدقة مما يجعلها مكلفة في التطوير وصعبة التوسع.

مع الانفجار الكبير في مجال نماذج اللغات الضخمة (Large Language Models)، أصبحت القدرات المذهلة لهذه النماذج في توليد الشيفرات تفتح آفاقًا جديدة لتحسين الأداء تلقائيًا. لذا، تم اقتراح FasterPy كإطار تكيفي وفعال يعتمد على نماذج اللغات الضخمة لتحسين كفاءة تنفيذ شيفرات بايثون.

يتضمن FasterPy مزيجًا من توليد مستند إلى الاسترجاع (Retrieval-Augmented Generation - RAG) مدعومًا بقاعدة معرفة تم إنشاؤها من أزواج الشيفرات المحسنة بالترتيب وقياسات الأداء المقابلة، مع استخدام تقنيات التكيُّف منخفض الرتبة (Low-Rank Adaptation - LoRA) لتعزيز أداء تحسين الشيفرات.

تشير النتائج التجريبية على معايير تحسين الشيفرات (Performance Improving Code Edits - PIE) إلى أن أسلوبنا يتفوق على النماذج الحالية في عدة مقاييس.

يمكنكم الاطلاع على أداة FasterPy ونتائج التجارب المتاحة على رابط.