Lesen Sie „The Forrester Wave: Multimodal Predictive Analytics und Machine Learning, Q3 2020“.

Feature-Highlights

Schnelle Prototyperstellung und -implementierung

Starten Sie datenwissenschaftliche Projekte standortunabhängig mithilfe eines gemeinsam genutzten Ressourcenpools. Reduzieren Sie die Trainingszeiten und erstellen Sie Modelle von höherer Qualität. Scale-out-Trainings- und Inferenzservices der Enterprise-Klasse mit API-Unterstützung für Batch-, Streaming- und interaktive Implementierungen.

End-to-End-Informationsarchitektur

Stellen Sie Deep Learning als Teil von Daten- und KI-Services mit Unterstützung populärer Frameworks bereit. Fassen Sie Open-Source-Tools und Tools anderer Anbieter in einer einheitlichen, regulierten Umgebung zusammen.

Containerisiertes Infrastrukturmanagement

Führen Sie Modelle für maschinelles Lernen und Deep Learning nativ in Red Hat® OpenShift® aus. Stellen Sie containerisierte Modelle innerhalb einer Firewall bereit. Speichern Sie gleichzeitig Daten lokal und behalten Sie die Cloudportierbarkeit bei.

Unterstützung von großen, hoch auflösenden Modellen

Erhöhen Sie die verfügbare Speicherkapazität für Deep-Learning-Modelle über den GPU-Speicherbedarf hinaus. Implementieren Sie komplexere Modelle mit größeren, hoch auflösenderen Bildern.

Multi-Tenant-Bereitstellung

Sorgen Sie für das effiziente Zuweisen und Teilen von Rechenleistung, die auf Modellanforderungen in einer Multi-Tenant-Architektur abgestimmt ist. Nutzen Sie Rechenressourcen über Tenants hinweg auf sichere Weise für eine maximale Nutzung.

Automatische Skalierung, automatische Suche und Lastverteilung

Ermöglichen Sie die dynamische Skalierung von Ressourcen nach oben oder nach unten auf Basis von Richtlinien, um sicherzustellen, dass Jobs mit höherer Priorität schnell ausgeführt werden. Überwachen Sie die Trainingsvisualisierung in Echtzeit und sorgen Sie für die Überwachung von Laufzeitmodellen. Automatisieren Sie die Hyperparametersuche und -optimierung für schnellere Entwicklungsprozesse.

KI-Lifecycle-Management

Führen Sie das Vorbereiten, Erstellen, Ausführen und Verwalten von Data-Science- und KI-Modellen in einer Umgebung für die Onlinezusammenarbeit durch. Stellen Sie für den Trainingszyklus mehr Daten bereit, um das Modell kontinuierlich zu verbessern.

Validierung und Optimierung des gesamten Bereitstellungsprozesses

Erhöhen Sie die Zuverlässigkeit und Ausfallsicherheit bei der Modellbereitstellung mit vorkompilierten und validierten Modellen für maschinelles Lernen und Deep Learning. Beschleunigen Sie das Leistungsverhalten mit Software, die für die Ausführung auf den Zielsystemen optimiert ist.

Explainable Artificial Intelligence (XAI) mit Modellüberwachung

Verwalten und Überwachen Sie Deep-Learning-Modelle bei weniger umfangreichen aber auch bei unternehmensweiten Bereitstellungen. Überwachen Sie die Modellfairness und -erklärbarkeit und minimieren Sie gleichzeitig Modellabweichungen und -risiken.

Technische Details

Softwarevoraussetzungen

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

Hardwarevoraussetzungen

  • x86 64-Bit-Server mit NVIDIA Tesla T4, P100 oder V100 GPUs