Otimizações de aprendizado de máquina de alto nível

Ultimamente tem-se falado muito sobre as melhores linguagens para aplicações de aprendizado de máquina. Python é um grande nome nessa lista, não por sua velocidade, mas por sua conveniência. Ele permite unir rapidamente sistemas de aprendizado de máquina a partir de componentes escritos em linguagens mais rápidas – como Rust, por exemplo.

No entanto, embora Rust tenha velocidade, segurança de tipo e outros recursos alardeados, faltam alguns recursos que o tornariam adequado para o desenvolvimento de aplicativos de aprendizado de máquina, incluindo a capacidade de desenvolver modelos de aprendizado de máquina inteiramente em Rust.

As maiores omissões têm a ver com tensores e matrizes e suas operações, ou seja, as estruturas de dados e cálculos usados ​​para construir aplicativos de aprendizado de máquina. Rust oferece suporte a operações de matriz, mas ainda não oferece suporte à compilação e implantação de código para essas operações em hardware de aceleração dedicado, como TPUs. Rust também carece de otimizações de nível superior para essas estruturas de dados, como ser capaz de reordená-las ou combiná-las na compilação, o que seria eficaz em qualquer hardware (CPU, GPU, TPU, etc.).