如何搭建自己的人工智能系統(tǒng)?

像很多事情一樣，答案是“視情況而定”。如果我們將深度學(xué)習(xí)作為一個日益流行的人工智能的例子。工作負(fù)載，為數(shù)據(jù)集的深度學(xué)習(xí)訓(xùn)練構(gòu)建 AI 系統(tǒng)在很大程度上取決于您可以輕松訪問的資源、專業(yè)知識和基礎(chǔ)設(shè)施數(shù)量。例如，您可能作為獨(dú)立開發(fā)人員或在較小環(huán)境中作為研究人員使用的系統(tǒng)看起來與支持大型組織努力“支持”與客戶的業(yè)務(wù)交互所需的系統(tǒng)有很大不同，或者提高臨床護(hù)理質(zhì)量，或檢測大量金融交易數(shù)據(jù)中的欺詐行為。最終，這變成了您是設(shè)計和構(gòu)建自己的系統(tǒng)，還是針對您的問題采用專門構(gòu)建的解決方案的問題。

對于前者，當(dāng)今消費(fèi)市場中常見的 GPU 技術(shù)往往會進(jìn)入“自己動手”的人工智能領(lǐng)域。系統(tǒng)非常強(qiáng)大，并且提供比基于 CPU 的系統(tǒng)明顯更好的性能?？梢栽诋?dāng)今的 GPU 上實現(xiàn)通用并行計算的現(xiàn)成工具包，結(jié)合支持流行深度學(xué)習(xí)框架所需的編程技能，可以產(chǎn)生很好的結(jié)果，正如 Alex Krizhevsky 的“AlexNet”首次證明的那樣，該工具包贏得了 ImageNet Large規(guī)模視覺識別挑戰(zhàn)。

[[430157]] 

2012 年，使用在 GPU 和 NVIDIA CUDA 上運(yùn)行的卷積神經(jīng)網(wǎng)絡(luò)。

對于后者(大規(guī)模深度學(xué)習(xí)，對于大型組織)——有兩個重要的考慮因素會影響你實施人工智能的方法。系統(tǒng)：

1. 你需要多快開始看到結(jié)果?

如果您正在進(jìn)行探索之旅，并且喜歡玩各種硬件和軟件配置的智力挑戰(zhàn)和有時“偵探工作”，那么您很可能沒有按照老板設(shè)定的時間表進(jìn)行操作，或者某種商業(yè)或研究勢在必行。在這種情況下，當(dāng)您將您感興趣的包括 GPU、驅(qū)動程序、庫和深度學(xué)習(xí)框架在內(nèi)的系統(tǒng)拼湊在一起時，沿著一條曲折的道路走下去可能完全沒問題，并在您承擔(dān)角色時篩選可能有數(shù)百頁的文檔“系統(tǒng)集成商”。 

但是，如果您的努力受到從數(shù)據(jù)中獲取洞察力的首要需求的引導(dǎo)，那么您可能需要一條更簡單、更快速的路徑來實現(xiàn)這一目標(biāo)。在這種情況下，您需要利用“解決方案化”平臺或設(shè)備，例如 NVIDIA DGX-1 或 DGX Station。

集成您需要的所有組件，并通過已發(fā)布的基準(zhǔn)測試進(jìn)行驗證，在您關(guān)心的框架上提供可量化的性能。此類設(shè)備應(yīng)根據(jù)它們的“即插即用”程度以及開通體驗是否直觀、引導(dǎo)您完成易于導(dǎo)航的簡單管理界面、管理數(shù)據(jù)集、分配資源、并安排工作。這種部署模式使您不必戴上“IT 管理員”的帽子，并讓您盡快開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在短短一天內(nèi)啟動并運(yùn)行。

獲得更快洞察的另一個方面是協(xié)同工作的硬件和軟件的性能。 GPU 優(yōu)化的深度學(xué)習(xí)軟件堆棧的好處是能夠在深度學(xué)習(xí)訓(xùn)練中達(dá)到比單獨(dú)使用 GPU 硬件更高的加速因子。與使用相同 Tesla V100 GPU 構(gòu)建但缺乏集成、優(yōu)化的深度學(xué)習(xí)軟件的其他系統(tǒng)相比，NVIDIA DGX 系統(tǒng)的深度學(xué)習(xí)性能提高了 30%。這里重要的一點是，即使你構(gòu)建了一個 A.I.您自己的系統(tǒng)，使用絕對最新的 GPU 技術(shù)，相對于集成的硬件和軟件系統(tǒng)，該系統(tǒng)仍然處于性能劣勢，該系統(tǒng)經(jīng)過全面優(yōu)化和軟件工程，以實現(xiàn)每個深度學(xué)習(xí)框架的最大性能。

2. 我準(zhǔn)備花多少時間管理和優(yōu)化基礎(chǔ)設(shè)施? 

類似于“探索之旅”路線，您的 AI 系統(tǒng)可能看起來非常不同，具體取決于您遵循的路線。如果您熱衷于花時間微調(diào)您的軟件堆棧，使用不同的框架和支持庫組合，并且不介意在社區(qū)論壇中尋求故障排除支持，那么構(gòu)建您自己的系統(tǒng)可能是您的最佳選擇?，F(xiàn)實情況是，要調(diào)整“完美”的深度學(xué)習(xí)堆棧，從框架到 GPU，通常需要大量的軟件工程技能支出驅(qū)動程序，以及中間的每一層。還要考慮到框架本身通常是開源的，并且在不斷發(fā)展。因此，確保您的堆棧以最佳性能運(yùn)行意味著承諾在工時進(jìn)行調(diào)整和重新調(diào)整，并可能在持續(xù)的基礎(chǔ)上重新構(gòu)建您的堆棧。如果這是您的章程，那么這可能不是問題，但如果您正在資助其他人來完成這項工作，則可能意味著數(shù)十萬美元的軟件工程運(yùn)營支出，以確保您最大限度地提高人工智能的投資回報率。

或者，AI像 NVIDIA 的 DGX 這樣的設(shè)備，包括訪問流行的深度學(xué)習(xí)框架，如 TensorFlow、Caffe2、MXNet 等，以及支持庫，所有這些都與硬件集成，可以節(jié)省大量時間和金錢。此類產(chǎn)品具有預(yù)先優(yōu)化的堆棧，由解決方案提供商定期(最好是每月)更新。這使您免受開源軟件的流失和不確定性的影響，同時如果您對硬件和軟件中的任何元素有問題，還可以為您提供企業(yè)級支持。

此外，由于數(shù)據(jù)科學(xué)和人工智能的實驗性質(zhì)，開發(fā)人員經(jīng)常發(fā)現(xiàn)他們自己(或他們的團(tuán)隊)需要同時對系統(tǒng)資源和軟件配置的不同組合進(jìn)行實驗，以確定哪種模型可以最快地獲得洞察力?；? Docker 的容器能夠支持深度學(xué)習(xí)堆棧的多個版本的共存，每個版本彼此隔離，并具有自己的支持驅(qū)動程序和庫的實例。這使系統(tǒng)操作系統(tǒng)的基本映像保持“干凈”，并避免在實驗者想要嘗試不同的配置排列時必須重新映像設(shè)備的可能性。容器與正確的管理和調(diào)度設(shè)備相結(jié)合，還可以使研究人員團(tuán)隊同時使用該平臺，并在他們正在開發(fā)的模型上進(jìn)行協(xié)作，從而提高系統(tǒng)的利用率，推動您部門的人工智能獲得更高的投資回報。 

所有這一切都可以為您(試圖利用人工智能力量的數(shù)據(jù)科學(xué)家)提高生產(chǎn)力。在您的企業(yè)中。所以，你真的有兩條途徑來構(gòu)建人工智能。系統(tǒng)，每個系統(tǒng)都適合您可能正在處理的一組不同的時間表、業(yè)務(wù)目標(biāo)和運(yùn)營設(shè)置。選擇最終將歸結(jié)為您是否有自由擴(kuò)展您的章程以包括系統(tǒng)集成商和 IT 管理員的角色，或者您的職責(zé)是否讓您始終專注于數(shù)據(jù)科學(xué)并為您的組織獲取洞察力。