The Forrester Wave: 「マルチモーダル予測分析と機械学習、2020年第3四半期」をお読みください。

主要な機能

迅速なプロトタイピングと導入

共有計算リソース・プールにより、データサイエンス・プロジェクトをどこででも開始できます。トレーニング時間が短縮され、高品質なモデルを作成できます。バッチ、ストリーミング、対話式の導入用APIサポートを備えた、スケールアウトが容易なエンタープライズ・クラスのトレーニングと推論のサービスです。

エンドツーエンドの情報アーキテクチャー

データとAIのサービスの一環として、一般的なフレームワークをサポートするディープ・ラーニングを導入します。統合された管理環境で、オープンソース・ツールとサード・パーティー・ツールを集約します。

コンテナ化されたインフラストラクチャー管理

Red Hat® OpenShift®で、機械学習モデルとディープ・ラーニング・モデルをネイティブに実行します。オンプレミスにデータを保持してクラウド・ポータビリティーを維持しながら、ファイアウォールの内側にコンテナ化されたモデルを導入します。

高解像度の大規模モデルのサポート

使用可能なメモリー量を増やし、GPU占有スペースを超えるディープ・ラーニング・モデルに対応します。さらに大規模で解像度の高い画像を使用する、より複雑なモデルを実装できます。

マルチテナント導入

マルチテナント・アーキテクチャーのモデル要求に合わせて調整された計算能力を割り振り、共有します。最大限に使用するために、複数のテナント間で計算リソースを安全に共有します。

自動スケーリング、自動検索、ロード・バランシング

優先順位の高いジョブを早く実行するためのポリシーに基づいた、リソースの動的スケーリング(拡大または縮小)が可能です。リアルタイムのトレーニング可視化とランタイムのモデル・モニタリングを構築します。ハイパーパラメーターの検索と最適化を自動化して、開発を加速します。

AIライフサイクル管理

機械学習モデルとディープ・ラーニング・モデルを準備、構築、実行、管理します。より多くのデータを使用してトレーニング・サイクルを実行し、モデルを継続的に改善します。

導入の検証と最適化

プリコンパイルされた検証済みの機械学習モデルとディープ・ラーニング・モデルにより、モデル導入の信頼性とレジリエンシーを高めます。ターゲット・システム上で実行するために最適化されたソフトウェアにより、パフォーマンスを向上させます。

モデル・モニタリングによる説明可能なAI

小規模の導入から全社的な導入まで、ディープ・ラーニング・モデルを管理しモニタリングします。モデルのドリフトとリスクを軽減しつつ、公平性と説明可能性をモニターします。

技術的詳細

ソフトウェア要件

  • Red Hat OpenShift 4.5
  • RHEL 7.7
  • CUDA Deep Neural Network(cuDNN)7.6.5ライブラリー
  • NVIDIA CUDA 10.2
  • NVIDIA GPUドライバー440.33.01
  • NVIDIA NCCL2 2.5.6

ハードウェア要件

  • NVIDIA Tesla T4、P100、V100 GPUを搭載したx86 64ビット・サーバー