至顶网服务器频道 12月04日 新闻消息(文/李祥敬):在这个数据无处不在的时代,如何从数据中获取价值成为企业的重要课题。有数据显示,面向数据科学和机器学习的服务器市场每年价值约为200亿美元,加上科学分析和深度学习市场,高性能计算市场总价值大约为360亿美元,且该市场还在持续快速发展。
在NVIDIA看来,数据分析和机器学习是高性能计算市场中最大的细分市场,不过目前尚未实现加速。NVIDIA解决方案架构与工程团队副总裁Marc Hamilton告诉记者,数据科学在2010年变得非常兴盛,但是那个时候CPU的计算力已经没办法满足数据科学家的需求了。数据规模越来越大,但是计算力并没有相应发展,等待时间也是越来越长。于是,NVIDIA推出了开源GPU加速平台——RAPIDS,为数据科学家提供标准化的流水线式工具。
在当前的人工智能浪潮中,深度学习与机器学习是两个重要的技术。在Marc看来,深度学习在处理非结构化数据(比如语音、图像等)上的效果更好,而机器学习却在结构化数据处理上效果更好。RAPIDS把深度学习的能力扩展到了大数据领域。
也就是说,RAPIDS把GPU最为擅长的深度学习优势也带到了机器学习领域,让企业在处理结构化数据方面与在处理非结构化数据方面同样获得GPU的加速。据悉,最初的RAPIDS基准分析利用了XGBoost机器学习算法在NVIDIA DGX-2系统上进行训练,结果表明,与仅有CPU的系统相比,其速度能加快50倍。这可帮助数据科学家将典型训练时间从数天减少到数小时,或者从数小时减少到数分钟。
RAPIDS平台通过加速cuDF、cuML、cuGRAPH库,英伟达能够让GPU加速计算应用到更多机器学习的算法与场景当中,为数据科学家提供标准化的流水线式工具。比如在数据处理方面,RAPIDS将会通过数据准备、数据合并、数据降维三个步骤加速处理数据。
Marc表示,RAPIDS底层由CUDA支撑。他强调,RAPIDS加速有不同方式,一种方式是在CUDA上对软件进行重新编程,第二种方式是使用CUDA软件库、cuML及机器学习的软件库,用来加速XGBOOST。第三种加速方式是在软件应用层面的加速,比如:SAP或者Oracle的某些软件功能已经可以通过GPU加速。
RAPIDS采用了开源的方式,可以非常完美地运行在GPU云平台,数据科学家只需要下载RAPIDS代码,就可以使用机器学习,不需要对现有代码进行太多修改。而且RAPIDS会保持不断更新,用户也可以将自己的需求反馈给NVIDIA,新的功能会不断加入到新版本中,满足用户的需求。
目前英伟达正在广泛地与开源生态系统贡献者展开合作,其中包括Anaconda、BlazingDB、Databricks、Quansight等,将更多的机器学习库和功能引入RAPIDS。为了推动RAPIDS的广泛应用,英伟达正努力将RAPIDS与分析及数据科学方面领先的开源框架Apache Spark进行整合。
在落地应用方面,RAPIDS目前已经被非常广泛采用,比如华大基因、中国移动、平安科技等中国公司都宣布引入它进行机器学习加速。例如,平安科技使用RAPIDS以及GPU加速的PCA和DBSCAN之后,工作流程执行速度加快了80倍,从几天缩短到几小时(包括数据加载和训练时间),这有助于该公司主动做出预测并完善预防计划。
华大基因使用XGBoost机器学习算法,对用于癌症患者个性化免疫治疗的靶向多肽进行分类。他们在NVIDIA DGX-1 AI超级计算机上运行RAPIDS平台,将分析速度提高了17倍,并将多肽的分析范围扩大至数百万种。
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。