Nvidia a construit l'un des supercalculateurs d'intelligence artificielle les plus puissants en 3 semaines

Nvidia a construit l'un des supercalculateurs d'intelligence artificielle les plus puissants en 3 semaines
4.9 (98.29%) 35 votes


Ce site peut générer des commissions d’affiliation à partir des liens figurant sur cette page. .

Véhicules autonomes: ils sont et ils tuent des gens. Mais ils tiennent également la promesse d'un transport plus sûr – et – dans un avenir relativement proche. Pour aider ces véhicules à améliorer leur intelligence, Nvidia a créé le DGX SuperPod, un supercalculateur optimisé pour l'IA qui peut aider à concevoir une meilleure voiture autonome.

Nvidia a vraiment voulu être parmi les leaders en intelligence artificielle et a décidé de construire un supercalculateur pour le démontrer. La société n'a mis que trois semaines à construire pour connecter 96 supercalculateurs. Vous pouvez en fait l'acheter aussi si la nouveauté de votre sixième yacht a disparu et que vous avez 435 000 $ en train de brûler un trou dans votre poche. C’est combien un DGX-2H au prix catalogue. Le DGX SuperPod en utilise 96. Si vous voulez fabriquer une voiture autonome, il semblerait que Nvidia pense que cela coûterait quelque part dans le stade approximatif de 41 760 000 $ pour démarrer avec le meilleur matériel. Clairement, ces systèmes ont été conçus pour les grandes entreprises.

Crédit image: NVIDIA

Avec 1 536 unités, le SuperPod contient beaucoup d’énergie pour un système relativement petit (selon les normes des superordinateurs). Néanmoins, si vous voulez que les gens investissent dans quelque chose d’aussi cher, vous voudrez peut-être prouver qu’ils s’acquittent des tâches les plus difficiles. C’est pourquoi Nvidia a décidé de faire en sorte que la construction de son superPod aide à résoudre l’un des problèmes les plus difficiles en matière d’IA.

Les véhicules autonomes nécessitent une énorme quantité de données de formation par rapport aux technologies qui utilisent des modèles de classification d'images similaires à d'autres fins (par exemple, la médecine diagnostique). L’intelligence artificielle d’une voiture autonome ne cherche pas quelque chose de spécifique, elle doit tenir compte de tout ce qui l’entoure et la comprendre assez bien pour fonctionner en toute sécurité. Cela équivaut à environ un téraoctet de données par véhicule et par heure et l'IA qui alimente les véhicules autonomes doit se recycler de manière continue au fil du temps, à l'aide des données d'une flotte complète. Nvidia a décidé de montrer comment son SuperPod peut aider à accélérer le traitement des données de formation mesurées en pétaoctets:

Le système travaille sans relâche, optimisant les logiciels de conduite autonome et recyclant les réseaux de neurones dans des délais beaucoup plus rapides qu'auparavant. Par exemple, la plateforme matérielle et logicielle DGX SuperPod prend moins de deux minutes pour former ResNet-50. Lorsque ce modèle d'intelligence artificielle est sorti en 2015, il fallait 25 jours pour s'entraîner sur le système à la pointe de la technologie de l'époque, un simple GPU Nvidia K80. DGX SuperPOD offre des résultats 18 000 fois plus rapides. Alors que d’autres systèmes TOP500 offrant des niveaux de performances similaires sont construits à partir de milliers de serveurs, DGX SuperPOD occupe une fraction de l’espace, environ 400 fois plus petit que ses voisins classés.

Même s’il arrive au DGX-2H, ces chiffres resteraient impressionnants une fois mis à l’échelle pour n’importe quel modèle de classification d’image. Vous devez vous attendre à des performances impressionnantes d’un système de plusieurs millions de dollars, mais si vous réalisez cela avec une taille (relative) aussi petite, il est clair que la raison pour laquelle Nvidia est resté est restée.

À quel type d'avancement un matériel aussi performant pourrait-il aboutir? Nvidia a également démontré que, dans l’espace tridimensionnel, les véhicules autonomes peuvent plus facilement éviter les collisions.

Nvidia quelques-uns des domaines clés où cette nouvelle approche contribue à améliorer la sécurité:

(W) ous utilisez et les données d’un seul appareil photo frontal. Le DNN est entraîné à prévoir la distance aux objets en utilisant les données du capteur comme informations de vérité du sol. Les ingénieurs savent que ces informations sont exactes, car les réflexions directes des signaux radar et lidar transmis fournissent des informations précises sur la distance à l’objet, quelle que soit la topologie de la route. En entraînant les réseaux de neurones sur les données radar et lidar au lieu de s’appuyer sur l’hypothèse de terrain plat, nous permettons au DNN d’estimer la distance aux objets à partir d’une seule caméra, même lorsque le véhicule monte ou descend.

Il semble que Nvidia réalise de nouvelles avancées dans l’intelligence artificielle presque toutes les semaines, même si c’est une méthode plus efficace. C’est peut-être parce que la société peut construire l’un des superordinateurs les plus puissants du monde en trois semaines. Lorsque vous ne devez pas attendre très longtemps pour traiter une énorme quantité de données, vous pouvez rapidement tester de nouvelles idées et trouver la solution optimale beaucoup plus rapidement. Il vous suffit d’environ 40 millions de dollars pour commencer.

Top crédit d'image: Nvidia

Maintenant lis:

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *