قراءة Forrester Wave: التحليلات التنبؤية متعددة النماذج والتعلم الآلي، الربع الثالث لعام 2020

القاء الضوء على الخصائص

النماذج الأولية السريعة والنشر

بدء مشروعات علوم البيانات في أي مكان باستخدام مستودع مصادر الحوسبة المشتركة. تقليل أوقات التدريب وانتاج نماذج عالية الجودة. خدمات التدريب والاستنتاج على مستوى المؤسسات على نطاق واسع مع دعم واجهة برمجة التطبيقات للنشر الجماعي والبث والتفاعل.

بنية معلومات شاملة

نشر التعلم العميق كجزء من خدمات البيانات والذكاء الاصطناعي مع دعم أطر العمل الشائعة. تجميع الأدوات مفتوحة المصدر والتابعة لأطراف خارجية في بيئة موحدة ومحوكمة.

ادارة البنية الأساسية للحاويات

يمكنك تشغيل نماذج التعلم الآلي والتعلم العميق محليات في Red Hat® OpenShift®‎. نشر النماذج الحاوية داخل جدار الحماية مع الاحتفاظ بالبيانات في الموقع والحفاظ على امكانية النقل عبر البيئات السحابية.

درجة وضوح عالية، ودعم للنماذج الكبيرة

يمكنك زيادة مقدار الذاكرة المتاحة لنماذج التعلم العميق بما يتجاوز تأثير وحدة معالجة البيانيات (GPU). قم بتنفيذ نماذج أكثر تعقيدا باستخدام صور أكبر وأكثر دقة.

نشر متعدد المستخدمين

يمكنك تخصيص قوى الحوسبة التي تم تحديدها وضبطها لتلبية متطلبات النماذج في بنية متعددة المستأجرين ومشاركتها. يمكنك مشاركة موارد الحوسبة الخاصة بك بأمان بين المستخدمين لزيادة الاستخدام بأقصى ما يمكن.

امكانية التوسع الآلي والبحث الآلي وموازنة التحميل

امكانية التوسع الديناميكي للموارد، صعودا أو نزولا، استنادا الى سياسات تضمن تشغيل المهام ذات الأولوية الأعلى بسرعة. بناء تصور للتدريب في الوقت الفعلي ومراقبة نموذج التشغيل. التشغيل الآلي لعملية البحث عن المعاملات الفائقة وتحسينها من أجل سرعة التطوير.

ادارة دورة حياة الذكاء الاصطناعي

اعداد وبناء وتشغيل وادارة التعلم الآلي ونماذج التعلم العميق. التشغيل خلال دورة التدريب باستخدام مزيد من البيانات لتحسين النموذج بشكل مستمر.

التحقق من صحة النشر وتحسينه

زيادة الموثوقية والمرونة لنشر النموذج باستخدام نماذج التعلم الآلي والتعلم العميق التي تم تجميعها بصفة مسبقة والتحقق من صحتها. يمكن بتسريع الأداء باستخدام البرامج المحسنة للتشغيل على الأنظمة المستهدفة.

ذكاء اصطناعي قابل للتفسير مع مراقبة النموذج

ادارة نماذج التعلم العميق ومراقبتها بدءا من النشر على المستوى الصغير وحتى النشر على مستوى المؤسسات. مراقبة نزاهة النماذج وتفسيرها مع التخفيف من انحراف النموذج والمخاطر.

التفاصيل الفنية

متطلبات البرامج

  • Red Hat Openshift 4.5
  • RHEL 7.7
  • مكتبة CUDA Deep Neural Network (cuDNN) 7.6.5
  • NVIDIA CUDA 10.2
  • NVIDIA GPU driver 440.33.01
  • NVIDIA NCCL2 2.5.6

متطلبات الأجهزة

  • وحدة خدمة x86 ذات 64-بت مع NVIDIA Tesla T4، أو P100 أو V100 GPUs