基于IBM POWER9的PowerAI、IBM Cloud和IBM Watson Studio将支持全新GPU加速软件库RAPIDS
2018年10月,IBM宣布计划将全新RAPIDS开源软件纳入到其企业级数据科学平台中,涵盖本地预置、混合云和多云环境。凭借其庞大的深度学习与机器学习解决方案组合,IBM能为偏好不同部署模型的数据科学家提供这一开源技术。
IBM认知系统方案高级副总裁Bob Picciano表示:“IBM长期与NVIDIA合作,利用IBM POWER9处理器,结合NVIDIA GPU等技术,实现显著的性能提升。我们将RAPIDS纳入IBM产品组合的同时,也期待能够继续积极地帮助客户突破人工智能的性能界限。”
借助Apache Arrow、Pandas和Scikit-Learn等开源机器学习软件的优势,RAPIDS将GPU的加速能力融入IBM产品中。包括Anaconda、BlazingDB、Graphistry、NERSC、PyData、INRIA和Ursa Labs在内的主要开源贡献者,都在RAPIDS推出后立即给予了其广泛的生态系统支持。
IBM计划将RAPIDS引入本地预置、公有云、混合云与多云环境等主要领域,同时基于IBM POWER9的PowerAI将借助RAPIDS为数据科学家扩展更多开源机器学习与分析库的可用选项。事实证明,NVIDIA与IBM围绕POWER9处理器所做的专项工程,包括将NVIDIA NVLink® 和NVIDIA Tesla® TensorCore GPU进行集成所做的努力,直接有利于加速工作负载。作为IBM的软件层,如今PowerAI可以优化运行在异构计算系统上的数据科学与AI工作负载,同时借助RAPIDS持续提升POWER9上经GPU加速后的工作负载的性能。
IBM Watson Studio与Watson机器学习(Watson Machine Learning)利用NVIDIA GPU的强大功能,使数据科学家和AI开发人员能够透过IBM Cloud Private for Data 和IBM Cloud,在多云环境中构建、部署和运行速度更快的模型,远超仅采用CPU的部署方式。
IBM Cloud能够帮助采用GPU设备的用户,将RAPIDS中的加速机器学习与分析库应用于其云端应用,从而受益于机器学习。
NVIDIA副总裁、加速计算部总经理Ian Buck表示:“IBM与NVIDIA多年来密切合作,已经帮助全球领先的企业和机构解决了诸多如今世界上最大的难题。随着IBM对NVIDIA RAPIDS开源库的使用,数据科学家将借助GPU加速机器学习能力,以前所未有的速度更快地分析大数据。”
机器学习是AI的一种形式,可以让系统透过数据而非专用程序进行学习。零售、金融和电信等领域的众多企业要么正在主动使用机器学习,要么正在探索机器学习,都试图利用大数据更好地了解消费者的行为、偏好或客户满意度中微妙的变化,从而为企业带来潜在的价值。
今年早些时候,IBM以超出之前纪录保持者46倍的速度,在兆级机器学习基准上缔造了新的纪录。IBM研究人员利用IBM Research开发的IBM Snap Machine Learning(Snap ML)机器学习算法,在搭载NVIDIA Tesla V100 Tensor Core GPU的IBM Power Systems AC922服务器上运行,仅花费91.5秒就基于由Criteo Labs发布的超40亿个在线广告数据案例,完成了对逻辑回归分类器的训练。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。