7-Zip-pakkauksen nopeus parani 97 prosenttia koskematta ydinohjelmakoodiin: „Harrastajan” ja tekoälyn äärimmäinen optimointikokeilu

Yusheng Science, tekoälyinkubaattori, sai päätökseen 7-Zipin optimoinnin työntekijän kanssa, jolla ei ollut ohjelmointitaustaa. Ajatuksena oli parantaa pakkaustehokkuutta käyttämällä ”sisältötietoista reititintä”, joka valitsee dynaamisesti koodausstrategiat tiedostotyypin perusteella sen sijaan, että käytettäisiin yhtenäistä strategiaa kaikille tiedostoille. Optimointi sisälsi monitasoisen tunnistusmekanismin (tiedosto-otsakkeen tunnistus, näytteen pakkaustestaus ja monipistenäytteenotto epäiltyjen pakattujen mediatiedostojen osalta), kymmenportaisen reititysstrategian sekä turvatoimet (näytteiden vertailu, toleranssikynnykset ja ryhmittelyeristys). Tulokset osoittivat 97,0 prosentin pakkausnopeuden kasvun useiden tiedostojen arkistoille macOS:ssä, 93,4 prosentin proosatekstille, yli 80 prosentin tyypillisesti Windowsissa ja 40,4 prosentin koon pienenemisen lokitiedostoille, ja eheyden varmennus oli 100-prosenttinen. Kuitenkin teksti- ja lokitiedostojen purkuaika kasvoi 2–3-kertaiseksi, ja erittäin suuret, pakkaamattomat yli 5 gigatavun tiedostot voivat kärsiä hitaammasta pakkaamisesta virhearviosta johtuen. Optimointi on täysin ei-invasiivinen: ydinalgoritmin koodia ei muutettu, ainoastaan lähetyskerros, ja tulos on edelleen standardi .7z-muoto, jonka virallinen 7-Zip purkaa. Optimoitu versio on avoimen lähdekoodin GitHubissa (https://github.com/sunmmer01/Optimization). Yusheng Science toteaa, että tämä käytäntö osoittaa uuden yhteistyömallin, jossa tekoäly vahvistaa ihmisen oivalluksia, ei korvaa insinöörejä.