DTI モデルとは?

AIワークロードが生み出す価値に基づいて作られた、AIの導入効果を最大化するためのフレームワーク

ステップ1:データ

  • 大規模データを扱うワークロード
  • 優れたデータ・スループットとストレージ容量の実現
  • データを効率的に蓄えるデータレイクの構築
  • AIワークロード向けにデータを整備

ステップ2:学習

  • AIモデルの学習・再学習のツール
  • 洞察を獲得するまでのAI時間の短縮
  • データと計算主体のインフラストラクチャーの提供
  • 既存データからの新しい機能を習得

ステップ3:推論

  • 新しい情報の獲得と、学習済みモデルに基づく洞察を推測
  • 学習で得た分析能力を新しいデータへ適用
  • AIモデルのビジネス現場への展開
  • 学習よりもデータ発生源に近い場所で推論

エンタープライズAIに適したインフラストラクチャーの入手

AI時代には最新のイニシアチブをサポートするためのまったく新しいITインフラストラクチャーが必要です。

既存のITインフラストラクチャーがAIワークロードに適していない理由

お客様のデータセンターがAIを最大限活用するために必要なITインフラストラクチャーを備えているか、ご確認ください。

AIインフラストラクチャーには学習と推論が必要

学習と推論の違いを理解し、AIワークフローにはそれぞれに最適なリソースが必要な理由を、ご確認ください。

AIアプリケーションを本番展開するためのITソリューション

AIに最適なIBM Power Systemsは、企業がAIや分析の潜在能力を最大限に発揮して、データに基づく意思決定を迅速に行い、より深い洞察を獲得し、信頼と信用を高めるのに役立ちます。

洞察

ビジネス上の意思決定の信頼性を高めるための正確なモデル結果を得られます。

生産性

ダイナミックな、業界でテストして検証済みのツールにより、すべてのリソース、個人、プロセッサー、およびプロセス全体で生産性を実現します。

スピード

高いデータ・スループット、AI支援モデルの最適化、およびIBMリサーチの支援により、常に最先端のAIテクノロジーをご利用になれます。

セキュリティー

Power SystemsおよびIBMが保護するオープン・ソース・フレームワークのセキュリティーを備えたセキュアなAIソリューションを構築します。


IBMエンタープライズAIサーバーの紹介

Power Systems LC922: AI用のデータ・サーバー

IBM Power System LC922サーバーは、AIデータとワークロードの要件を満たすように設計されています。データを分析および探索するための業界最高レベルの計算を提供する大容量ストレージを備えた設計があり、そのデータを収容するためのストレージ容量を備えています。

  • 一般的なDBで最大3.9倍のコスト・パフォーマンス
  • 最大120 TBのデータ・ストレージ
  • 優れた入出力: PCIe Gen 4

Power Systems: AC922:AI用のトレーニング・サーバー

IBM Power System AC922サーバーは、AIトレーニング用にディープ・ラーニング・フレームワークを導入し、データベースを加速します。データ・サイエンティストが望むイノベーションを、ITに必要な信頼性と結びつけます。

  • 高速I/O - x86サーバーよりも最大5.6倍の入出力スループット
  • NVLinkを搭載した2台から6台のNVIDIA® TeslaV100 GPU

新しいIBM Power System IC922推論サーバー

IBM Power System IC922推論サーバーは、お客様のAIモデルを活用できるようにし、ビジネスに関する洞察を引き出すように設計されています。IBM Power System IC922推論サーバーは、最適化されたハードウェアとソフトウェアを使用して、お客様をデータから洞察に移行させるAI推論に必須のコンポーネントを提供します。

IBM Power System IC922推論サーバー

Watson Machine Learning AcceleratorソフトウェアとPower AC922との組み合わせは勝利の方程式

ソフトウェアとハードウェアのこの強力な組み合わせによって、モデルのトレーニング時間が短縮するとともに、反復が加速し、洞察が向上します。

3.7x

Caffeのためのトレーニングの高速化¹

46x

SnapMLを使用した機械学習の反復の高速化²


Power Systems向けLab Servicesを検討する

IBMには長年にわたる専門知識と豊富な経験を持つ高度なテクニカル・コンサルタントがいて、AIインフラストラクチャーに基づくPower Systemsの計画を支援しています。


AIに関するコンテンツの探索

事例 : 卓球の試合映像分析をAIで効率化。日本代表選手のサポート体制を強化

IBMと共同開発したラリーシーン自動検出アルゴリズムで映像分析が大きく効率化され、スポーツアナリストはより高度な試合分析への注力が可能に

事例 : たらこの異物検査やグレード判定を高精度で行うAIモデルを開発

品質向上と製造コストの削減を図り、顧客に新鮮かつ高品質な商品の提供を目指す。

事例 : レーザー加工による半導体電子デバイス材料の物理特性の変化をAIで推定

H2O Driverless AIを用いた実証実験で開発期間の9割短縮に目処。

事例 : AIによる物流出荷量の将来予測

機械学習自動化プラットフォームH2O Driverless AIで物流出荷量の予測を開始。1カ月先の予測を高精度に行うことで、運用の効率化を目指す。

サーバーをスケーリングして、エンタープライズAIに向けて準備する

AIアプリケーションは標準のCPUを超える強力な処理能力を必要とします。つまり、これらのニーズに対応するために拡張を行う必要があります。

AIモデルがナスカの地上絵を発見!

山形大学と日本IBMとの共同実証実験で、Power System AC922上に構築されたAIモデルが、新たな地上絵1点を発見しました。

岩田 可奈子の顔写真

お気軽に相談ください

岩田 可奈子(いわた かなこ)
デジタル・セールス事業 Power Systems製品担当営業

参考情報

Elinar社

Elinar社はエンタープライズ・コンテンツ・マネジメント・ソリューション向けのAIの画期的なポテンシャルを見抜き、IBM Powerインフラストラクチャーをいち早く導入し、市場に出すまでの時間を短縮して、新規顧客を獲得しました。

「ここからAIへ」ポッドキャスト・シリーズ

Dez Blanchfieldは、AIリーダーたちがAI戦略をどのように計画しているのかを知るために、人工知能(AI)とディープ・ラーニングの導入についてビジネスリーダーと話し合います。

エンタープライズ・ビジネスにとってのAIの価値

企業は今日、競争上の優位性を獲得するためにAIを活用しています。各企業が新しくより効率的なレベルのカスタマー・ケアを提供するためにAIをどのように活用しているかを説明します。

AIインフラストラクチャー・ソリューション

AIインフラストラクチャーは、AIへの行程で非常に重要な役割を担っています。データ・ストレージからテストや未開の計算能力に至るまで、企業はAIでの成功をソリューションに求めています。

AIストレージ・ソリューション

データのパイプラインを構築することは、AIインフラストラクチャーの重要な側面です。企業はエンタープライズAIにおけるデータ中心のニーズをサポートするために、データの取り込みポイントからデータの推論までの全経路を最適化した信頼性の高いストレージ・ソリューションを必要としています。

免責条項

¹ 結果は、拡大したImagenetデータ・セット(2240x2240)上で、拡大したGoogleNetモデル(ミニバッチ・サイズ=5)の1000回の反復を実行するIBM内部測定値に基づくものです。Power AC922; 40コア(2 x 20cチップ)、NVLink 2.0を搭載したPOWER9。CUDA 9.1/ CUDNN 7を搭載した、2.25 GHz、1024 GBのメモリー、4xTesla V100 GPU、Red Hat Enterprise Linux 7.4 for Powerリトル・エンディアン(POWER9)。競合スタック: 2x Xeon E5-2640 v4。20コア(2 x 10cチップ)/40スレッド。インテルXeon E5-2640 v4。CUDA .9.0/ CUDNN 7を搭載した、2.4 GHz、1024 GBメモリー、4xTesla V100 GPU、Ubuntu 16.04。ソフトウェア: LMSソース・コードhttps://github.com/ibmsoe/caffe/tree/master-lms(英語, ibm.com外部へのリンク)を搭載したIBM Caffe

² 46xSnapML(英語, ibm.com外部へのリンク)。新たに発行されたベンチマークでは、Criteo Labs(英語, ibm.com外部へのリンク)によって40億以上のトレーニングの例を使用してリリースされたオンライン広告データ・データ・セットを使用して、ロジスティック回帰分類子を91.5秒でトレーニングします。このトレーニング時間は、以前に報告された最良の結果よりも46倍高速です(https://cloud.google.com/blog/products/gcp/using-google-cloud-machine-learning-to-predict-clicks-at-scale 英語, ibm.com外部へのリンク)。以前は、Google Cloud PlatformでTensorFlowを使用して、70分で同じモデルをトレーニングしていました。

IBMをフォローする

IBMをフォローする