Sztuczna inteligencja (AI) wymaga specjalnie zbudowanych serwerów do obsługi obciążeń intensywnie wykorzystujących dane — od przygotowywania danych po doskonalenie modeli treningowych.
Sprawdź, czy Twoje centrum przetwarzania danych dysponuje infrastrukturą umożliwiającą korzystanie z pełni możliwości AI.
Poznaj różnicę między treningiem a wnioskowaniem. Dowiedz się, dlaczego każda z tych form wykorzystywania AI wymaga specjalistycznych zasobów.
Uzyskuj dokładne wyniki modelowania, dzięki którym będziesz podejmować decyzje biznesowe z większą pewnością.
Dynamiczne, sprawdzone w praktyce i zweryfikowane narzędzia, które pozwalają uwalniać pełny potencjał zasobów, kadry, procesorów i procesów.
Wykorzystuj najnowsze rozwiązania w dziedzinie technologii sztucznej inteligencji dzięki dużej przepustowości danych, optymalizacji modeli z pomocą AI oraz wsparciu działu badawczo-rozwojowego IBM.
Stwórz bezpieczne rozwiązanie AI na bazie godnych zaufania serwerów Power Systems i architektur Open Source, nad którymi pieczę trzyma IBM.
Serwer IBM Power System LC922 został zaprojektowany tak, by spełniał wymagania dotyczące danych i obciążeń przetwarzanych przez sztuczną inteligencję. Stworzono go z myślą o intensywnej pracy — oferuje czołową w branży moc obliczeniową do analizowania i eksplorowania danych, a także dużą pamięć do ich przechowywania.
Serwer IBM Power System AC922 umożliwia sprawne wdrażanie środowisk uczenia głębokiego oraz baz danych z akceleracją na potrzeby trenowania AI. Rozwiązanie zapewnia analitykom danych innowacyjne możliwości przetwarzania danych bez uszczerbku dla niezawodności środowiska IT.
Serwer inferencyjny IBM Power System IC922 zaprzęga modele AI do pracy, a następnie pozyskuje wartościowe informacje biznesowe. Wykorzystuje sprzęt i oprogramowanie po optymalizacji, zapewniając komponenty niezbędne do wyciągania wniosków z pomocą AI i przejścia od danych do spostrzeżeń.
Oferujemy potężną kombinację oprogramowania i sprzętu, które może skracać czas treningów modelu, przyspieszać iteracje i zwiększać skuteczność analiz.
3.7x
szybsze trenowanie pod kątem środowiska Caffe¹
46x
szybsze iteracje uczenia maszynowego dzięki bibliotece SnapML²
Zestaw startowy IBM AI zawiera wszystko, czego potrzeba do rozpoczęcia trenowania modeli i pozyskiwania cennych spostrzeżeń z pomocą serwerów IBM dla technologii sztucznej inteligencji. Towarzyszy mu także wsparcie ze strony konsultantów, którzy pomagają w implementowaniu tych narzędzi:
IBM zatrudnia doświadczonych, świetnie znających się na rzeczy konsultantów technicznych. Chętnie podzielą się oni swoją specjalistyczną wiedzą, pomagając w budowie infrastruktury technologii AI opartej na serwerach Power Systems.
W tym specjalnym raporcie firmy Gartner przedstawiono sposoby, w jakie członkowie zarządu mogą przygotowywać solidne uzasadnienia biznesowe inwestycji w sztuczną inteligencję.
Aplikacje AI wymagają potężnej mocy obliczeniowej — będącej zdecydowanie poza zasięgiem standardowych procesorów. To oznacza jedno — konieczność skalowania.
Sztuczna inteligencja (AI) stopniowo na dobre zadomawia się na rynku. Coraz więcej organizacji ukierunkowuje swoją strategię na wdrożenie technologii sztucznej inteligencji.
Wycieki z rurociągów naftowych mogą spowodować ogromne szkody dla środowiska. Dowiedz się, w jaki sposób wykorzystano technologię sztucznej inteligencji do wykrywania potencjalnie niebezpiecznych wycieków, jeszcze zanim wystąpią.
Przedsiębiorstwo Elinar dostrzegło ogromny potencjał tkwiący w AI i możliwość jego wykorzystania w ramach rozwiązań do zarządzania treścią w przedsiębiorstwie. Firma jako jedna z pierwszych wdrożyła infrastrukturę IBM Power, dzięki której udaje jej się skracać czas wprowadzania nowych produktów i usług na rynek oraz zdobywać nowych klientów.
Dez Blanchfield rozmawia z liderami biznesowymi na temat wdrażania sztucznej inteligencji i uczenia głębokiego, aby poznać sekrety ich strategii implementowania AI.
Przedsiębiorstwa wykorzystują AI, aby uzyskiwać przewagę nad konkurencją. Dowiedz się, jak organizacje używają rozwiązań opartych na AI w celu obsługiwania klientów na zupełnie nowym, wyższym niż kiedykolwiek wcześniej poziomie.
Droga do AI nie obejdzie się bez odpowiedniej infrastruktury AI. Przedsiębiorstwa potrzebują rozwiązań, które zagwarantują pomyślne wdrożenie technologii sztucznej inteligencji — od pamięci masowych po możliwości testowania i przetwarzania surowych danych.
Zbudowanie potoku danych stanowi ważny element każdej infrastruktury AI. Aby skutecznie odpowiadać na potrzeby technologii AI klasy korporacyjnej w zakresie danych, przedsiębiorstwa muszą dysponować niezawodnymi rozwiązaniami w dziedzinie pamięci masowych — takimi, których działanie zoptymalizowano od etapu wczytywania danych po wyciąganie wniosków.
¹ Wyniki oparte na wewnętrznych pomiarach IBM polegających na przeprowadzeniu 1000 iteracji modelu Enlarged GoogleNet (rozmiar minipakietu wsadowego = 5) na zestawie Enlarged Imagenet Dataset (2240x2240). Power AC922; 40 rdzeni (układy 2 x 20c), POWER9 z technologią NVLink 2.0; 2,25 GHz, 1024 GB pamięci RAM, 4 akceleratory Tesla V100 GPU; system Red Hat Enterprise Linux 7.4 for Power Little Endian (POWER9) z biblioteką CUDA 9.1/ CUDNN 7. Stos konkurencyjny: 2x Xeon E5-2640 v4; 20 rdzeni (układy 2 x 10c) / 40 wątków; Intel Xeon E5-2640 v4; 2,4 GHz; 1024 GB pamięci RAM, 4 akceleratory Tesla V100 GPU, system Ubuntu 16.04. z biblioteką CUDA .9.0/ CUDNN 7. Oprogramowanie: IBM Caffe z kodem LMS Source https://github.com/ibmsoe/caffe/tree/master-lms (odsyłacz prowadzi poza serwis ibm.com)
² 46x SnapML (odsyłacz prowadzi poza serwis ibm.com). W nowo opublikowanym teście porównawczym, wykorzystującym dostępny online zestaw danych reklamowych opublikowany przez Criteo Labs (odsyłacz prowadzi poza serwis ibm.com) i zawierającym ponad 4 miliardy przykładów treningów, trenujemy klasyfikator regresji logicznej w czasie 91,5 sekundy. Czas uczenia jest 46 razy krótszy niż najlepszy wcześniej zgłoszony wynik (https://cloud.google.com/blog/products/gcp/using-google-cloud-machine-learning-to-predict-clicks-at-scale odsyłacz prowadzi poza serwis ibm.com), osiągnięty przy wykorzystaniu biblioteki TensorFlow na platformie Google Cloud Platform do wytrenowania tego samego modelu w czasie 70 minut.
Bądź z nami:
Bądź z nami: