IBM Watson Machine Learning Accelerator: Detalhes

Inicie projetos de ciência de dados em qualquer lugar com um conjunto de recursos de computação compartilhado. Reduza os tempos de treinamento e produza modelos de qualidade superior. Serviços de escalabilidade horizontal e classificação corporativa para treinamento e inferência, com suporte de API para implementações em lote, de fluxo e interativas.

Implemente o deep learning como parte dos serviços de dados e IA, com o suporte para modelos populares. Agregue ferramentas de software livre e de terceiros em um ambiente unificado e governado.

Execute os modelos de machine learning e deep learning de forma nativa no Red Hat® OpenShift®.Implemente modelos conteinerizados dentro de um firewall, mantendo os dados no local e a portabilidade de cloud.

Aumente a quantia de memória disponível para os modelos de deep learning para além do espaço da GPU. Implemente modelos mais complexos com imagens maiores e de resolução mais alta.

Aloque e compartilhe recursos de computação ajustados às demandas de modelos em uma arquitetura de diversos locatários. Compartilhe de forma segura seus recursos de computação entre os locatários a fim de maximizar o uso.

Ative o ajuste dinâmico de escala de recursos, ampliando ou reduzindo a escala com base em políticas, a fim de garantir que as tarefas de prioridade mais alta sejam executadas rapidamente. Desenvolva uma visualização de treinamento em tempo real e um monitoramento de modelos de tempo de execução. Automatize a procura e a otimização de hiperparâmetros para obter um desenvolvimento mais rápido.

Prepare, desenvolva, execute e gerencie os modelos de machine learning e deep learning. Realize a execução durante o ciclo de treinamento com mais dados para melhorar continuamente o modelo.

Aumente a confiabilidade e a resiliência de implementações de modelos de machine learning e deep learning previamente compilados e validados. Acelere o desempenho com um software otimizado para a execução em sistemas de destino.

Gerencie e monitore os modelos de deep learning, das implantações pequenas às de grande escala. Monitore a imparcialidade e a explicabilidade do modelo, reduzindo o desvio e o risco.