Forrester Wave: Çok Modelli Tahmine Dayalı Analitik ve Makine Öğrenimi, 3. Çeyrek 2020 raporunu okuyun

Öne çıkan özellikler

Hızlı prototip hazırlama ve devreye alma

Veri bilimi projelerini paylaşılan bir hesaplama kaynağı havuzu bulunan her yerde başlatın. Eğitim sürelerini kısaltın ve daha yüksek kaliteli modeller üretin. Toplu, sürekli ve interaktif devreye alım için sağlanan API desteği ile yatay ölçekleme, kurumsal sınıfta eğitim ve çıkarım hizmetleri.

Uçtan uca bilgi mimarisi

Popüler çerçeve desteğiyle derin öğrenmeyi veri ve yapay zeka hizmetlerinin bir parçası olarak devreye alın. Açık kaynak ve üçüncü kişi araçlarını birleşik, yönetilen bir ortamda toplayın.

Konteynerleştirilmiş altyapı yönetimi

Makine öğrenimi ve derin öğrenme modellerini Red Hat® OpenShift® içinde yerel olarak çalıştırın. Verileri şirket içi ortamda tutup bulut taşınabilirliğini korurken, konteynerli modelleri güvenlik duvarının içinde devreye alın.

Yüksek çözünürlük, büyük model desteği

Derin öğrenme modelleri için kullanılabilir bellek miktarını GPU ayak izinin ötesinde artırın. Daha büyük, daha yüksek çözünürlüklü görüntülerle daha karmaşık modeller uygulayın.

Çok kiracılı devreye alım

Model taleplerine göre ayarlanmış hesaplama gücünü çok kiracılı bir mimaride tahsis edin ve paylaştırın. Kullanımı en yüksek düzeye çıkarmak için hesaplama kaynaklarınızı kiracılar arasında güvenli bir şekilde paylaştırın.

Otomatik ölçekleme, otomatik arama ve yük dengeleme

Yüksek öncelikli işlerin hızlı bir şekilde çalıştırılmasını sağlamak için kaynakların ilkeler temelinde yatay ya da dikey yönde dinamik olarak ölçeklenmesini sağlayın. Gerçek zamanlı eğitim görselleştirmesi ve çalıştırma zamanı modeli izlemesi oluşturun. Daha hızlı geliştirme için hiper parametre aramasını ve optimizasyonunu otomatikleştirin.

AI yaşam döngüsü yönetimi

Makine öğrenimi ve derin öğrenme modellerini hazırlayın, oluşturun, çalıştırın ve yönetin. Modeli sürekli geliştirmek için eğitim döngüsünü daha fazla veriyle gözden geçirin.

Devreye alma doğrulaması ve optimizasyonu

Önceden derlenmiş ve doğrulanmış makine öğrenimi ve derin öğrenme modelleri ile model devreye alma için güvenilirliği ve dayanıklılığı artırın. Hedef sistemlerde çalışmak üzere optimize edilmiş yazılımlarla performansı hızlandırın.

Model izleme ile açıklanabilir yapay zeka

Küçük çaptan kurumsal çapa kadar her düzeyde devreye alınan derin öğrenme modellerini yönetin ve izleyin. Model sapmasını ve riskini azaltırken model adilliğini ve açıklanabilirliğini izleyin.

Teknik ayrıntılar

Yazılım gereksinimleri

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

Donanım gereksinimleri

  • NVIDIA Tesla T4, P100 ya da V100 GPU'lar ile x86 64 bit sunucu