Skalierbare Deep-Learning-Inferenz – auf KI vorbereitet

Skalierbare Deep-Learning-Inferenz – auf KI vorbereitet

Skalierbare Deep-Learning-Inferenz – auf KI vorbereitet

PDF herunterladen

2 CONTENTS Introduction: Deep learning is coming of age ............ 2 Determining AI readiness ...................................................... 4 Developing and deploying data governance and security policies .......................................................................... 5 Infrastructure strategies for the shift to deep learning inference at scale... ................................................... 6 The magnifying impact of optimized software ........... 9 Next steps: Breaking barriers between model and reality ................................................................................... 11 Further reading ........................................................................ 12 Skip to discover the benefits of the latest generation Intel® Xeon® Scalable processors and Intel® Deep Learning Boost 1. Deep learning is coming of age… and it’s happening fast By 2020, deep learning will have reached a fundamentally different stage of maturity. Deployment and adoption will no longer be confined to experimentation, becoming a core part of day-to-day business operations across most fields of research and industries. Why? Because advancements in the speed and accuracy of the hardware and software that underpin deep learning workloads have made it both viable and cost-effective. Much of this added value will be generated by deep learning inference – that is, using a model to infer something about data it has never seen before. Models can be deployed in the cloud or data center, but more and more we will see them on end devices like cameras and phones. Intel predicts that there will be a shift in the ratio between cycles of inference and training from 1:1 in the early days of deep learning, to well over 5:1 by 2020¹. Intel calls this the shift to ‘inference at scale’ and, with inference also taking up almost 80 percent of artificial intelligence (AI) workflows (Figure 1, Page 3), it follows that the path to true AI readiness starts with selecting hardware architectures that are well-suited to this task. However, as the AI space is becoming increasingly complex, a one-size-fits-all solution cannot address the unique constraints of each environment across the AI spectrum. In this context, critical hardware considerations include availability, ease of use, and operational expense. What type of infrastructure do you use for your edge devices, workstations or servers today? Do you want to deal with the complexities of multiple architectures? Exploring these challenges is the subject of this paper. Figure 1: A typical AI workflow label data 15% load data 15% Labor-intensive augment data 23% Experiment with topologies 15% tune hyper- parameters 15% Compute-intensive (Model Training) support inference 8% share results 8% Labor-intensive Source Data Development Cycle 15% 15% 23% 15% 15% 8% 8% Inference Inference within broader application 3 1. Opportunity 2. Hypotheses 3. Data Prep 4. Modeling 5. Deployment 6. Iteration Time To Solution (TTS) 7. Evaluation 2. Determining AI readiness Understanding where your organization sits in terms of AI readiness is critical to prioritizing actions and smoothing the path from experimenting with AI to real- world deployments. Organizations can be grouped into three categories of AI readiness: foundational, operational or transformational, and progressing to the next stage or achieving ongoing success depends on having the right elements in place across skills and resources, infrastructure and technology, processes and models. Among Read the full Skalierbare Deep-Learning-Inferenz – auf KI vorbereitet.
Mehr anzeigen Weniger anzeigen

Im Jahr 2020 wird Deep Learning einen von Grund auf anderen Grad der Reife erreicht haben. Die Implementierung und Akzeptanz werden sich nicht mehr nur auf das Experimentieren beschränken, sondern sich in den meisten Bereichen der Forschung und Wirtschaft zu einem wichtigen Bestandteil des täglichen Geschäftsbetriebs entwickeln.

Da das Gebiet der KI jedoch immer komplexer wird, gibt es keine Einheitslösung, die die besonderen Einschränkungen jeder Umgebung im gesamten KI-Umfeld berücksichtigen kann. In diesem Zusammenhang sind Verfügbarkeit, Benutzerfreundlichkeit und Betriebskosten entscheidende Hardware-Faktoren. Welche Art von Infrastruktur verwenden Sie heute für Ihre Endgeräte, Workstations oder Server? Wollen Sie sich mit der Komplexität durch unterschiedliche Architekturen auseinandersetzen?

Die Erörterung dieser Herausforderungen ist Gegenstand dieses Leitfadens.

Die Abschnitte umfassen:

Ermittlung der KI-Bereitschaft

Entwicklung und Implementierung von Datenqualitätsmanagement und Sicherheitsrichtlinien

Infrastruktur-Strategien für den Wechsel zu Deep-Learning-Inferenz im großen Maßstab

Die verbesserte Wirkung optimierter Software

Die nächsten Schritte: die Barrieren zwischen Modell und Realität durchbrechen

Benchmarks prüfen die Eignung von CPUs für Deep-Learning-Inferenz

Die skalierbare Intel® Xeon® Prozessorreihe ist eine effektive Option für Datenwissenschaftler, die mit ihrer Infrastruktur verschiedene Anwendungen nutzen wollen, ohne dabei in spezielle Hardware investieren zu müssen.

Weitere Infos

KI-Machbarkeitsstudie in fünf Schritten

Ein fünfstufiger Ansatz zum Erfolg mit KI-Machbarkeitsstudien.

Weitere Infos

Weitere Informationen über Intel® Deep Learning Boost (Intel® DL Boost)

Die skalierbare Intel® Xeon® Prozessorreihe setzt mit Intel® Deep Learning Boost (Intel® DL Boost) neue Maßstäbe für die KI-Leistung.

Weitere Infos

Mehr anzeigen Weniger anzeigen

Ressourcen zum Thema