人工知能を開発するには何が必要ですか?

独自の人工知能システムを構築するにはどうすればよいでしょうか?

多くのことと同様に、答えは「それは状況による」です。ますます普及しつつある AI の一例として、ディープラーニングを取り上げてみましょう。ワークロード、データセットのディープラーニング トレーニング用の AI システムの構築は、簡単にアクセスできるリソース、専門知識、インフラストラクチャの量に大きく依存します。たとえば、小規模な環境で独立した開発者や研究者が使用するシステムは、顧客とのビジネス上のやり取りを強化したり、臨床ケアの質を向上させたり、大量の金融取引データから不正を検出したりするための大規模な組織の取り組みをサポートするために必要なシステムとは大きく異なります。最終的には、独自のシステムを設計して構築するか、問題に特化したソリューションを採用するかが問題になります。

前者の場合、今日の消費者市場で一般的な GPU テクノロジは、「DIY」 AI 分野に浸透する傾向があります。このシステムは非常に強力で、CPU ベースのシステムよりも大幅に優れたパフォーマンスを提供します。今日の GPU で汎用並列コンピューティングを可能にする既製のツールキットと、一般的なディープラーニング フレームワークをサポートするために必要なプログラミング スキルを組み合わせると、素晴らしい結果を生み出すことができます。これは、ImageNet Large 視覚認識チャレンジで優勝した Alex Krizhevsky の「AlexNet」で初めて実証されました。

[[430157]]

2012. GPU と NVIDIA CUDA 上で実行される畳み込みニューラル ネットワークの使用。

後者（大規模な組織向けの大規模なディープラーニング）の場合、AI 実装へのアプローチに影響を与える重要な考慮事項が 2 つあります。システム：

1. どれくらい早く結果が出始める必要がありますか?

あなたが発見の旅に出ていて、さまざまなハードウェアやソフトウェアの構成を試してみるという知的な挑戦や、時には「探偵仕事」を楽しんでいるのであれば、上司が設定したスケジュールに従って作業していないか、何らかの業務上または研究上の義務がある可能性が高いです。この場合、GPU、ドライバー、ライブラリ、ディープラーニング フレームワークを含む興味のあるシステムを組み立て、数百ページに及ぶドキュメントを精査しながら「システム インテグレーター」の役割を担うという曲がりくねった道をたどってもまったく問題ないかもしれません。

しかし、データから洞察を得るという全体的なニーズに基づいて取り組みを進めている場合は、その目標を達成するために、よりシンプルで迅速な方法が必要になる場合があります。この場合、NVIDIA DGX-1 や DGX Station などの「ソリューションベース」のプラットフォームまたはアプライアンスを活用する必要があります。

公開されたベンチマークで検証された必要なすべてのコンポーネントを統合し、重要なフレームワークで測定可能なパフォーマンスを実現します。このようなデバイスは、「プラグ アンド プレイ」のしやすさと、プロビジョニング エクスペリエンスが直感的で、ナビゲート、データ セットの管理、リソースの割り当て、作業のスケジュール設定が簡単なシンプルな管理インターフェイスを備えているかどうかに基づいてランク付けする必要があります。この展開モードにより、「IT 管理者」の役割を担う必要がなくなり、ニューラル ネットワークのトレーニングをできるだけ早く開始して、わずか 1 日で稼働させることができます。

より迅速に洞察を得るためのもう 1 つの側面は、ハードウェアとソフトウェアの連携によるパフォーマンスです。 GPU に最適化されたディープラーニング ソフトウェア スタックの利点は、GPU ハードウェアのみを使用する場合よりも、ディープラーニング トレーニングでより高いスピードアップ係数を実現できることです。 NVIDIA DGX システムは、同じ Tesla V100 GPU を搭載しながらも統合された最適化されたディープラーニング ソフトウェアを備えていない他のシステムよりも 30% 高速なディープラーニング パフォーマンスを実現します。ここで重要な点は、最新の GPU テクノロジを使用して独自の AI システムを構築したとしても、そのシステムは、各ディープラーニング フレームワークの最大パフォーマンスを実現するように徹底的に最適化され、ソフトウェア エンジニアリングされた統合ハードウェアおよびソフトウェア システムと比較すると、パフォーマンス面で依然として不利になるということです。

2. インフラストラクチャの管理と最適化にどれくらいの時間を費やす用意がありますか?

ディスカバリー ツアーのルートと同様に、AI システムは、たどるルートに応じて大きく異なる場合があります。さまざまなフレームワークとサポートライブラリを組み合わせてソフトウェアスタックを微調整することに時間を費やすことに熱心であり、コミュニティフォーラムでトラブルシューティングのサポートを求めることに抵抗がない場合は、独自のシステムを構築するのが最善の選択肢かもしれません。現実には、フレームワークから GPU まで、「完璧な」ディープラーニング スタックを調整するには、通常、ドライバーとその間のすべてのレイヤーに対して、ソフトウェア エンジニアリング スキルを多大に費やす必要があります。また、フレームワーク自体がオープンソースであることが多く、継続的に開発されていることも考慮してください。したがって、スタックが最高のパフォーマンスで動作していることを保証するには、スタックを微調整および再調整し、継続的に再構築するために人手を費やす必要があります。それがあなたの使命であれば、これは問題にならないかもしれませんが、その作業を他の誰かに委託する場合、AI の ROI を最大化するために、ソフトウェア エンジニアリングの運用経費として数十万ドルかかる可能性があります。

あるいは、NVIDIA の DGX などの AI デバイスには、TensorFlow、Caffe2、MXNet などの人気のディープラーニング フレームワークやサポート ライブラリへのアクセスが含まれており、これらはすべてハードウェアに統合されているため、時間とコストを大幅に節約できます。このような製品には、ソリューション プロバイダーによって定期的に (できれば毎月) 更新される、事前に最適化されたスタックがあります。これにより、オープンソース ソフトウェアの混乱や不確実性から保護されると同時に、ハードウェアやソフトウェアの要素に問題がある場合にもエンタープライズ グレードのサポートが提供されます。

さらに、データ サイエンスと AI は実験的な性質を持っているため、開発者自身 (または自分のチーム) は、どのモデルが最も速く洞察を生み出せるかを判断するために、システム リソースとソフトウェア構成のさまざまな組み合わせを同時に実験する必要があることに気付くことがよくあります。 Docker ベースのコンテナーは、それぞれが互いに分離され、サポートするドライバーとライブラリの独自のインスタンスを持つ、ディープラーニング スタックの複数のバージョンの共存をサポートできます。これにより、システムのオペレーティング システムの基本イメージが「クリーン」な状態に保たれ、実験者がさまざまな構成の組み合わせを試したいときにデバイスを再イメージ化する必要がなくなります。コンテナを適切な管理およびスケジュール装置と組み合わせることで、研究者チームがプラットフォームを同時に使用し、開発中のモデルで共同作業することも可能になり、システムの使用率が向上し、部門の AI 投資の収益率が向上します。

これらすべてにより、AI の力を活用しようとしているデータ サイエンティストの生産性が向上します。あなたのビジネスにおいて。つまり、AI を構築するには実際には 2 つの方法があることになります。各システムは、扱う可能性のあるさまざまなタイムライン、ビジネス目標、運用設定に合わせて調整されています。最終的な選択は、システム インテグレーターと IT 管理者の役割を含めるように職務範囲を拡大する自由があるかどうか、またはデータ サイエンスと組織のための洞察の獲得に重点を置く責任があるかどうかにかかっています。