人工智能可以从高性能计算学习的七个经验和教训
基于云计算的服务,包括AWS、Google、Azure和其他服务,提供各种平台来进行试验和早期部署。这可能会延迟拥有基础设施专业知识的需要,并给这些专业知识一个在组织内成长的机会。虽然基于云计算的人工智能无疑是技术孵化的重要家园,但随着人工智能计划的扩展,企业发现自己需要构建和维护基础设施。这对高性能计算(HPC)专家来说是不足为奇的。 当成本、性能和大量数据都很重要时,拥有自己的计算基础设施专业知识更加重要。忽视这种对专业知识的需求是有风险的。 7.总拥有成本(TCO)——不只是从高性能计算(HPC)吸取的教训 当提到关注获得绩效的成本(评估基准)、时间安装(现在将获得什么好处与等待)以及投资于采购和现代化以获得真正平衡的方法时,将会涉及总体拥有成本。整个系统的一部分问题需要安全性,这也不是一个特定的高性能计算(HPC)问题(尽管高性能计算中心考虑了很多)。 总拥有成本(TCO)是第七个经验和教训,尽管总拥有成本(TCO)肯定不是高性能计算(HPC)独有的,但它对高性能计算(HPC)来说确实非常重要。没有什么比考虑整体情况更能说明“系统方法”——硬件、软件、应用程序、安全性和人员。系统的价值是企业从中获得的净收益,而不是为实现它而投入的资本和费用(TCO)。 以系统方法为中心的七个经验和教训 经验丰富的高性能计算(HPC)中心在实现大型高性能系统的采购和运营方面取得了巨大成功。有效的系统方法是他们成功的关键。这些成为任何企业冒险大规模支持人工智能的关键技巧。 当人们深入了解这七个经验和教训时,将采用这样的系统方法:投资采购活动、开发和使用公正的基准、仔细考虑时机,大力投资支持应用程序和用户社区,制定计划实现代码现代化,并管理总拥有成本。 高性能计算(HPC)的这些经验和教训可以为企业提供更多的帮助。但是,企业也没有必要都成为高性能计算(HPC)技术的狂热者。
(编辑:惠州站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |