- PVSM.RU - https://www.pvsm.ru -
Ученые из Center of Clinical Data Science станут первыми, кто сможет [1] обрабатывать данные с помощью суперкомпьютера для глубокого обучения DGX-1 на базе восьми графических процессоров Tesla V100. V100 показывают [2] результат в 960 терафлопс при вычислениях FP16 благодаря технологии Volta Tensor Core.
[3]
/ Flickr / Fritzchens Fritz [4] / PD [5]
Платформу для дата-центров Tesla V100 представили [6] в мае 2017 года. Она содержит 21,1 млрд транзисторов, построена по 12-нанометровому техпроцессу FinFET, а отдельные 640 ядер Tensor используются для обеспечения работы нейронных сетей, выдавая 120 терафлопс при глубоком обучении.
Nvidia провела апгрейд своей шины NVLink — теперь она «развивает» 300 Гбит/с, что почти в два раза больше по сравнению с предыдущей реализацией. Это стало возможно благодаря увеличению числа контактов с четырех до шести и расширению пропускной способности до 25 Гбит/с. Модуль 3D-памяти HBM2 также получил улучшения — пропускная способность выросла до 900 Гбит/с.
Center of Clinical Data Science занимается автоматизацией и машинным обучением в области здравоохранения. Они работают над нейронной сетью, которая анализирует данные об исследованиях заболеваний пациентов и в дальнейшем помогает быстрее ставить диагнозы.
«Врачи вынуждены иметь дело с огромным количеством информации: лабораторные исследования, МРТ, томография, данные о здоровье членов семьи и многое другое. Из-за этого принимать решения невероятно сложно. Технология, которая поможет врачам в диагностике, способна оптимизировать их работу», — рассказал [7] исполнительный директор CCDS Марк Михалски (Mark Michalski).
Ожидается, что в будущем у рентгенологов появится ассистент с искусственным интеллектом, который будет помогать с диагнозами. Сейчас врачи изучают снимки в том порядке, в каком они были сделаны. А искусственный интеллект сможет сразу определить, какие из них наиболее проблемные, чтобы направить специалиста. Также, благодаря нейросетям, ассистенты смогут анализировать снимки буквально по пикселям, а затем сопоставлять их с другой информацией о пациентах и быстро ставить диагноз.
Еще на старом оборудовании исследователи разработали алгоритмы для кардиологической, офтальмологической, дерматологической и психиатрической диагностики. С использованием DGX-1 на базе видеопроцессоров Volta эти алгоритмы станут точнее и обретут более широкое применение.
Все больше приложений поддерживают [8] работу с GPU-вычислениями, включая фреймворки для разработки искусственного интеллекта. Поэтому многие дата-центры, которые имеют дело с глубоким обучением, работают одновременно с GPU и CPU — формат называется гетерогенными вычислениями. Таким образом, удается взять лучшее от обоих типов ядер: GPU справляется с ресурсоемкими математическими вычислениями, а CPU «берет» на себя работу операционной системы и многочисленные простые операции.
Согласно исследованию [9] ученых Калифорнийского университета, по сравнению с дата-центрами с вычислительными ядрами одного типа, у гетерогенных на 21% выше производительность и на 23% — энергоэффективность.
Использует [10] мощности GPU в своих системах искусственного интеллекта и машинного обучения компания Facebook. Соответствующая лаборатория внутри компании разрабатывает нейронные сети для решения специфических задач.
По словам [11] экспертов области, объемы данных, которые собирают компании, увеличиваются. Поэтому GPU начинают применяться не только для работы с ресурсоемкими вычислениями для обучения нейросетей. Но и для работы с базами данных.
Например, Nike использует серверы с GPU и ПО MapD для анализа истории продаж и предсказания спроса в отдельных регионах. Еще один клиент MapD — Verizon — использует системы с GPU для анализа логов серверов, отслеживающих мобильные телефоны.
Предлагают [12] работу с серверами с GPU-ускорением и облачные провайдеры. В том числе [13] и компания «ИТ-ГРАД». Решение позволяет экспериментировать с аналитическими или требующими визуальной поддержки проектами. GPU-системы дают организациям возможность быстро анализировать большие своды данных и в некоторых частных ситуациях способны заменить целые кластеры серверов.
P.S. Несколько материалов по теме из нашего блога:
Автор: it_man
Источник [17]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/vy-sokaya-proizvoditel-nost/264163
Ссылки в тексте:
[1] сможет: https://blogs.nvidia.com/blog/2016/12/07/mass-general-researchers-ai/
[2] показывают: https://www.nvidia.com/en-us/data-center/dgx-1/
[3] Image: https://habrahabr.ru/company/it-grad/blog/338212/
[4] Fritzchens Fritz: https://www.flickr.com/photos/130561288@N04/23809083921/
[5] PD: https://creativecommons.org/publicdomain/zero/1.0/
[6] представили: https://www.top500.org/news/nvidia-raises-performance-bar-with-volta-gpu/
[7] рассказал: https://blogs.nvidia.com/blog/2017/09/06/ai-assisted-radiology/
[8] поддерживают: http://mc.stanford.edu/cgi-bin/images/8/8a/SC08_NAMD.pdf
[9] исследованию: http://dl.acm.org/citation.cfm?id=2665692
[10] Использует: https://code.facebook.com/posts/1835166200089399/introducing-big-basin-our-next-generation-ai-hardware/
[11] словам: http://searchdatacenter.techtarget.com/feature/GPU-accelerated-computing-makes-its-way-into-the-data-center
[12] Предлагают: http://www.nvidia.com/object/gpu-cloud-computing.html
[13] числе: http://www.it-grad.ru/uslugi/daas/virtualnye-rabochie-stantsii-vdi/
[14] Почему тесты скорости диска в ноутбуке могут быть лучше, чем у облачного сервера? : http://iaas-blog.it-grad.ru/proizvoditelnost/disk-v-noutbuke-vs-disk-v-oblake/
[15] Как справиться с пиковыми нагрузками при помощи IaaS: http://iaas-blog.it-grad.ru/tendencii/kak-spravitsya-s-pikovymi-nagruzkami-pri-pomoshhi-iaas/
[16] VMware NSX: новый подход к обеспечению безопасности в области здравоохранения: http://iaas-blog.it-grad.ru/bezopasnost/vmware-nsx-novyj-podxod-k-obespecheniyu-bezopasnosti-v-oblasti-zdravooxraneniya/
[17] Источник: https://habrahabr.ru/post/338212/
Нажмите здесь для печати.