通过统一的数据堆栈简化 AI 生产

从时间敏感的工作负载（如制造业的故障预测或零售和电子商务中的实时欺诈检测），到拥挤的市场所需的敏捷性，部署时间对于依赖 AI、ML 和数据分析的企业至关重要。但众所周知，IT领导者发现，从概念验证到大规模生产人工智能是出了名的困难。

生产AI的障碍各不相同，Supermicro的FAE总监Erik Grundstrom说。

数据的质量、模型的复杂性、模型在不断增长的需求下扩展的程度以及模型是否可以集成到现有系统中。监管障碍或组件越来越普遍。然后是等式中的人性部分：公司或组织内的领导层是否足够了解模型，以信任结果并支持IT团队的AI计划。

“您希望尽快部署，”Grundstrom 说。“解决这个问题的最佳方法是不断简化，不断测试，不断努力提高数据质量，并找到达成共识的方法。

统一平台的强大功能

他补充说，这种共识的基础是摆脱充满不同硬件和软件的数据堆栈，并实施端到端的生产人工智能平台。您将选择拥有支持业务用例所需的工具、技术以及可扩展且安全的基础架构的合作伙伴。

端到端平台通常由大型云参与者提供，其中包含广泛的基本功能。寻找提供预测分析的合作伙伴，以帮助从数据中提取见解，并支持混合云和多云。这些平台提供可扩展且安全的基础架构，因此它们可以处理任何规模的项目，以及强大的数据治理和数据管理、发现和隐私功能。

例如，Supermicro与NVIDIA合作，在NVIDIA AI Enterprise平台内提供了一系列经过NVIDIA认证的系统，这些系统配备了新的NVIDIA H100 Tensor Core GPU。它们能够处理从小型企业的需求到大规模、统一的 AI 培训集群的所有事情。对于具有挑战性的 AI 模型，它们的训练性能是上一代的 20 倍，将一周的训练时间缩短到20 小时。

NVIDIA AI Enterprise 本身是一套端到端、安全的云原生 AI 软件套件，包括云中、数据中心和边缘的 AI 解决方案工作流程、框架、预训练模型和基础设施优化。

但是，在迁移到统一平台时，企业面临着一些重大障碍。

移徙挑战

迁移到统一平台的技术复杂性是第一个障碍，如果没有专家，这可能是一个很大的障碍。将数据从多个系统映射到统一平台需要大量的专业知识和知识，不仅包括数据及其结构，还涉及不同数据源之间的关系。应用程序集成需要了解应用程序之间的关系，以及在将应用程序从单独的系统集成到单个系统时如何维护这些关系。

然后当你认为你可能已经走出困境时，你就将面临另外九局，Grundstrom说。

“在移动完成之前，无法预测它将如何执行，也无法确保您将获得足够的性能，也不能保证另一边有修复，”他解释道。“为了克服这些整合挑战，总会有顾问和合作伙伴形式的外部帮助，但最好的办法是让您需要的人员在内部。

挖掘关键专业知识

“建立一个强大的团队——确保你有合适的人，”Grundstrom说。“一旦您的团队就商业模式达成一致，就采用一种方法，让您在原型设计、测试和完善模型方面有快速的周转时间。

一旦你把它放下来，你应该对最初需要如何扩展有一个很好的了解。这就是像Supermicro这样的公司的用武之地，能够不断测试，直到客户找到合适的平台，然后从那里调整性能，直到生产AI成为现实。

要了解有关企业如何摆脱混乱的数据堆栈、采用端到端 AI 解决方案、释放速度、功能、创新等的更多信息，请不要错过此 VB Spotlight 活动！

椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/2180.html