Lire The Forrester Wave: Multimodal Predictive Analytics and Machine Learning, T3 2020

À la une

Prototypage et déploiement rapides

Démarrez des projets de science des données n'importe où avec un pool de ressources de traitement partagé. Réduisez les délais de formation et générez des modèles de qualité supérieure. Services de formation et d'inférence d'entreprise évolutifs avec prise en charge d'API pour un déploiement interactif et continu par lots.

Architecture de l'information de bout en bout

Déployez le deep learning dans le cadre de services de données et d'IA avec le support d'infrastructures couramment utilisées. Agrégez des outils open source et tiers dans un environnement unifié et gouverné.

Gestion des infrastructures conteneurisées

Exécutez des modèles de machine learning et de deep learning nativement dans Red Hat® OpenShift®. Déployez des modèles conteneurisés à l'intérieur d'un pare-feu, en conservant les données sur site et en maintenant la portabilité cloud.

Support de modèles importants haute résolution

Augmentez la quantité de mémoire disponible pour les modèles de deep learning au-delà de l'empreinte GPU. Implémentez des modèles plus complexes avec des images plus grandes et à plus haute résolution.

Déploiement à service partagé

Allouez et partagez la puissance de traitement selon les demandes des modèles dans une architecture à service partagé. Partagez vos ressources de traitement en toute sécurité avec des locataires afin de maximiser leur utilisation.

Evolutivité automatique, recherche automatique et équilibrage de charge

Evolutivité dynamique des ressources, à la hausse ou à la baisse, basée sur des règles, afin d'assurer une exécution rapide des travaux de priorité supérieure. Créez une visualisation de formation en temps réel et assurez une surveillance de modèles d'exécution. Automatisez la recherche et l'optimisation d'hyperparamètres pour accélérer le développement.

Gestion du cycle de vie de l'IA

Préparez, créez, exécutez et gérez des modèles de machine learning et de deep learning. Exécutez le cycle de formation avec plus de données afin d'améliorer le modèle en continu.

Validation et optimisation du déploiement

Augmentez la fiabilité et la résilience pour le déploiement de modèles via des modèles de machine learning et de deep learning précompilés et validés. Accélérez les performances grâce aux logiciels optimisés pour s'exécuter sur des systèmes cible.

IA explicable avec surveillance de modèle

Gérez et surveillez les modèles de deep learning du déploiement local jusqu'à celui portant sur toute l'entreprise. Surveillez l'équité et l'explicabilité des modèles tout en atténuant la dérive et le risque associés.

Détails techniques

Configuration logicielle requise

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

Configuration matérielle requise

  • Serveur x86 64 bits avec GPU NVIDIA Tesla T4, P100 ou V100