IBM Watson Machine Learning Accelerator
加速深度学习工作负载。利用 AI 模型训练和推理，加快实现价值。
为何要在数据和 AI 平台上进行深度学习？
随着人类在计算、算法和数据访问上不断取得进步，企业正在更广泛地采用深度学习，通过语音识别、自然语言处理和图像分类来提取和深化洞察。深度学习可以大规模地解释文本、图像、音频和视频，为推荐引擎、情感分析、财务风险建模和异常检测生成相关模式。
由于训练神经网络时会用到多个数据层和大量的数据，因此就需要很高的计算能力来处理神经网络。此外，企业还在努力展示在数据孤岛中开展的深度学习试验的结果。IBM Watson® Machine Learning Accelerator 是 IBM Cloud Pak® for Data 上 IBM Watson Studio 中的一项深度学习功能，它可帮助企业：
- 跨任何云动态扩展计算、人员和应用。
- 以透明的可见方式管理和统一大型数据集与模型。
- 利用从边缘到混合云的实时数据不断调整模型。
- 通过更快的训练和推理来优化云和 AI 投资。
优势
加快取得深度学习成果
加快从初始原型到企业级模型的模型构建速度。缩短训练时间，精准地部署深度学习工作负载。
深化 AI 支持的洞察和预测能力
利用集成了数据和 AI 服务的信息架构。在容器化的混合云基础上推动应用的深度学习模型。
简化 AI 和云投资
随时随地联合数据和模型部署。共享并优化根据工作负载需求调整的 GPU 和 CPU 分配情况。
扩大使用范围并提高模型的准确性
加速大规模、高分辨率的图像处理。通过自动缩放提高吞吐量和可用性并减少延迟。
提升系统使用率和灾备能力
通过多租户技术促进跨业务部门和跨企业的使用。通过灵活的分布式训练和推理最大限度利用 GPU 资源。
管理和保护关键业务型 AI 工作负载
从数据准备到模型部署，全程提高透明度和可见性。您还可以降低合规、法律、安全和声誉风险。
用途
- 用于疾病诊断、公共安全和社交媒体的图像分类
- 用于呼叫中心管理、移动应用和自动化转录的语音转文本识别
- 用于异常和欺诈检测、自动化文档验证和网络安全的光学字符识别 (OCR)
- 用于法规遵从、信用评估和投资组合管理的金融风险建模
- 用于情感分析、语气分析和品牌监控的自然语言处理 用于行为预测、定制优惠和后续最佳措施的推荐引擎
- 用于公共安全、防盗、工人安全和库存管理的视频分析
主要特性
-
快速构建原型并部署
使用共享计算资源池随时随地启动数据科学项目。缩短训练时间，产生更高质量的模型。通过对批处理、流式传输和交互式部署的 API 支持，横向扩展企业级训练和推理服务。 -
端到端信息架构
在支持流行框架的数据和 AI 服务中部署深度学习。在统一管理的环境中整合开源工具和第三方工具。 -
容器化基础架构管理
在 Red Hat® OpenShift® 中以本机方式运行机器学习和深度学习模型。在防火墙内部部署容器化模型，同时在本地保存数据并保持云可移植性。 -
高分辨率、大型模型支持
增加可用于深度学习模型的内存量，超出 GPU 占用范围。使用更大规模、更高分辨率的图像实施更复杂的模型。 -
多租户部署
在多租户架构中分配和共享根据模型需求调整的计算能力。在租户之间安全共享计算资源，实现最大限度地使用。 -
灵活的分布式训练和推理
-
自动缩放、自动搜索和负载均衡
根据确保更高优先级作业快速运行的策略，启用资源的动态扩展或收缩。实现实时训练可视化和运行时模型监控。自动进行超参数搜索和优化以加快开发速度。 -
AI 生命周期管理
准备、构建、运行和管理机器学习和深度学习模型。利用更多数据运行训练周期，不断改进模型。 -
具有模型监控功能的可解释 AI
管理和监控从小型到企业级部署的深度学习模型。监控模型公平性和可解释性，同时减少模型漂移和风险。 -
部署验证和优化
通过预先编译且经过验证的机器学习和深度学习模型，提高模型部署的可靠性和灾备能力。利用在目标系统上优化运行的软件加速提升性能。
技术详细信息
软件需求
Red Hat Openshift 4.5
RHEL 7.7
CUDA 深度神经网络 (cuDNN) 7.6.5 库
NVIDIA CUDA 10.2
NVIDIA GPU 驱动程序 440.33.01
NVIDIA NCCL2 2.5.6
硬件需求
带有 NVIDIA Tesla T4、P100 或 V100 GPU 的 x86 64 位服务器