Supercomputeren i pint-størrelse, som virksomheder knokler for at få

Nvidias DGX-1 supercomputer er designet til at træne deep-learning modeller hurtigere end konventionelle computersystemer gør.

For virksomheder, der kæmper med komplekse dataprojekter drevet af kunstig intelligens, er et system, som Nvidia kalder en AI-supercomputer i en boks, en velkommen udvikling.

Tidlige kunder hos Nvidia DGX-1 , som kombinerer maskinlæringssoftware med otte af chipproducentens højeste grafikprocessorenheder (GPU'er), siger, at systemet lader dem træne deres analytiske modeller hurtigere, muliggør større eksperimenter og kan lette gennembrud inden for videnskab, sundhedspleje og finans. tjenester.



Dataforskere har udnyttet GPU'er til at fremskynde dyb læring - en kunstig intelligens-teknik, der efterligner den måde, menneskelige hjerner behandler data på - siden 2012 , men mange siger, at nuværende computersystemer begrænser deres arbejde. Hurtigere computere som DGX-1 lover at gøre deep-learning-algoritmer mere kraftfulde og lade dataforskere køre deep-learning-modeller, som tidligere ikke var mulige.

DGX-1 er ikke en magisk løsning for enhver virksomhed. Det koster $129.000, mere end systemer, som virksomheder selv kunne sammensætte af individuelle komponenter. Den kommer også med en fast mængde systemhukommelse og GPU-kort. Men fordi de relevante dele og programmer er forudinstalleret i et metalkabinet på størrelse med en mellemstor kuffert, og da det parrer avanceret hardware med hurtig tilslutning, hævder Nvidia, at DGX-1 er nemmere at konfigurere og hurtigere til at analysere data end tidligere GPU systemer. Desuden tyder den positive modtagelse, som DGX-1 har tiltrukket sig i de første par måneders tilgængelighed, på, at lignende alt-i-én dyb-læringssystemer kan hjælpe organisationer med at køre flere AI-eksperimenter og forfine dem hurtigere. Selvom DGX-1 er det eneste system af sin art i dag, vil Nvidias produktionspartnere frigive nye versioner af supercomputeren i begyndelsen af ​​2017.

Færre end 100 virksomheder og organisationer har købt DGX-1'er, siden de begyndte at sende i efteråret, men de tidlige brugere siger, at Nvidias påstande om systemet ser ud til at holde stik. Jackie Hunter, administrerende direktør for London-baseret Velvillig AI 's life science arm, BenevolentBio, siger, at hendes datavidenskabsteam havde modeltræning på DGX-1 samme dag, den blev installeret. Hun siger, at holdet var i stand til at udvikle flere store modeller designet til at identificere egnede molekyler til lægemidler inden for otte uger. Disse modeller træner tre til fire gange hurtigere på DGX-1 end på opstartens andre GPU-systemer, ifølge Hunter. Vi havde flere modeller, som oprindeligt tog uger at træne, men vi kan nu gøre dette på dage og timer i stedet, tilføjer hun.

Massachusetts General Hospital har en DGX-1 i et af sine datacentre og har en mere på bestilling. Den siger, at den har brug for GPU-supercomputere, såsom DGX-1, for at knuse store mængder af forskellige typer data. MGH's Center for Clinical Data Science , som koordinerer adgangen til hospitalets DGX-1 på tværs af Boston-området PartnersHealthCare-system , siger projekter, der bruger supercomputeren, vil involvere analyse af patologi- og radiologibilleder, elektroniske sundhedsjournaler og genomisk information.

Hvis du ikke kun inkorporerer røntgenbilleder, men en lang række kliniske oplysninger, faktureringsoplysninger og sociale medier som indikatorer for en patients helbred, har du virkelig brug for store mængder GPU-computerkraft for at knuse det, siger centerdirektøren. Mark Michalski.

Adskillige andre organisationer implementerer DGX-1'er for at give mening i enorme mængder data relateret til sundhedspleje og medicinsk forskning. Argonne og Oak Ridge nationale laboratorier bruger deres til at studere kræftens oprindelse og identificere nye terapier som en del af Joe Bidens Cancer Moonshot-projekt.

DGX-1'er er også i aktiv brug i AI-forskningssamfundet. Nvidia donerede den første DGX-1, den producerede, til nonprofit AI-forskningsvirksomheden OpenAI og gav ni andre systemer til universiteter med fremtrædende deep-learning-afdelinger, herunder New York University, Stanford University og University of Toronto.

Multinationale selskaber snapper også systemerne op. SAP, der laver software til at hjælpe virksomheder med at styre deres drift og kunderelationer, har installeret DGX-1'er i to af sine globale innovationscentre , en i Potsdam, Tyskland og en i Ra'anana, Israel, og kører proof-of-concept-projekter på systemerne for at identificere de bedste måder at gøre brug af deres omfang og hastighed, siger vicepræsident Markus Noga. Fidelity Labs , R&D-delen af ​​Fidelity Investments, ejer også to DGX-1'er og planlægger at bruge dem til at bygge neurale netværk eller computersystemer modelleret efter den menneskelige hjerne, siger laboratoriedirektør Sean Belka.

Selv dem, der allerede ejer en DGX-1, vil sandsynligvis fortsætte med at bruge en blanding af højtydende computersystemer, inklusive cloud computing og andre GPU-baserede systemer, i stedet for at flytte alt deres dybe læringsarbejde til supercomputeren. Andre virksomheder køber måske ikke en i første omgang på grund af dens høje forudgående omkostninger og faste konfiguration.

Men mange synes at mene, at prisen er det værd. BenevolentAI vurderer, at omkostningerne ved at leje nok servere på Amazon Web Services til at matche DGX-1's ydeevne vil overstige systemets $129.000 pris inden for et år. Greg Diamos, seniorforsker i Baidu's Silicon Valley AI Lab , som er ekspert i højtydende databehandling, erkender, at supercomputeren er dyr, men siger, at prisen afspejler det konfigurationsarbejde og den support, Nvidia giver. Baidus AI Lab har ikke en DGX-1, men er i gang med at opgradere sit system til de samme GPU-kort og forventer, at den nye teknologi vil accelerere sin AI-forskning med omkring 3,5 gange, ifølge Diamos.

Virksomheder, der er fokuseret på at bygge deep-learning-applikationer og ikke ønsker at bekymre sig om at designe hardware- og softwareplatformen, som de kører på, vil sandsynligvis overveje DGX-1, siger Diamos. Men jeg forventer, at større kunder, der udfører alt dette arbejde internt, køber individuelle GPU'er og selv integrerer dem i brugerdefinerede HPC-klynger i stedet for at betale præmien for DGX-1.

skjule