Einführung

Bei der Entwicklung von Sprachmodellen (LLMs) sind wir ständig durch Budgets eingeschränkt. Eine solche Einschränkung führt zu einem grundlegenden Kompromiss: Stellen Sie sich vor, wenn Sie ein Rechenbudget festlegen, bedeutet eine Erhöhung der Modellgröße, dass Sie die Modellgröße reduzieren müssen, auf der Sie trainieren können, und umgekehrt. Sie stellen additionally die Frage:

Sollten wir einem Modell mit mehr Parametern mehr zuweisen oder sollten wir es auf mehr Daten trainieren?

Insbesondere die Leistung und Effizienz von LLMs werden stark von diesem Kompromiss beeinflusst. Daher ist es entscheidend, ein optimales Gleichgewicht zwischen der Anzahl der Parameter eines Modells und der Anzahl der verwendeten Token zu finden.

Die gesamte Trainingsberechnung eines Transformators skaliert ungefähr wie folgt: C∝N×D, wobei

• N ist die Anzahl der Modellparameter.
• D ist die Anzahl der Token.
• C ist das feste Rechenbudget.

Es ist leicht zu erkennen, dass für ein festes C N und D umgekehrt proportional zueinander sind.

Frühere Studien (Kaplan et al., 2020; Hoffmann et al., 2022) haben herausgefunden, dass der Trainingsverlust von Modellen für maschinelles Lernen einem Potenzgesetz mit Berechnung folgt: L(C)∝C^{−α} und die optimum Modellgröße und Datensatzgrößenskala mit Berechnung als: N_opt∝C^a, D_opt∝C^b für einige constructive Werte a und b.

In diesem Artikel werden wir winzige Transformer verwenden, um zu untersuchen, wie man N und D unter einem festen Rechenwert C ausgleicht.

Versuchsaufbau

Wir entwerfen ein minimales Transformatormodell und nennen es „winziger Transformator“ mit den folgenden konfigurierbaren Eigenschaften, die die Parametergröße des Modells beeinflussen:

• Modelldimension (d_model)
• MLP-Dimension (d_mlp)
• Anzahl der Schichten (n_layers​)

Wir möchten den Transformator verschiedener Konfigurationen auf tokenisierten Sequenzen der Länge 64 des WikiText-2-Datensatzes trainieren.

Um den Effekt der Skalierung zu untersuchen, haben wir ein Raster von Modellen von sehr klein (16 versteckte Einheiten, 1 Ebene) bis relativ groß (128 versteckte Einheiten, 4 Ebenen) definiert und sie mit einer Reihe von Token von 5.000 bis 1 Mio. kombiniert. Siehe den folgenden Code:

model_configs = (
    {"d_model": 16,  "d_mlp": 64,   "n_layers": 1},  
    {"d_model": 24,  "d_mlp": 96,   "n_layers": 1},   
    {"d_model": 32,  "d_mlp": 128,  "n_layers": 2},
    {"d_model": 48,  "d_mlp": 192,  "n_layers": 2},
    {"d_model": 64,  "d_mlp": 256,  "n_layers": 3},
    {"d_model": 96,  "d_mlp": 384,  "n_layers": 3},
    {"d_model": 128, "d_mlp": 512,  "n_layers": 4},   
)
# variety of tokens (D) we prepare on — simulated by way of few steps × batch × seq_len
token_budgets = (5e3, 1e4, 3e4, 5e4, 1e5, 3e5, 5e5, 1e6)  # small for demo

Indem wir den Rechenaufwand als C≈N×D annähern, besteht unsere Idee darin, die Verlustfunktion für jedes (N,D)-Paar zu berechnen und das Paar (N,D) zu finden, mit dem das Modell die minimale Verlustfunktion für ein gegebenes C erreicht: Dies ist das Gleichgewicht, nach dem wir suchen.

Umsetzung und Beobachtungen

Wir verwenden den folgenden Code, um das Modell bis zu einer festen Anzahl von Schritten mit unterschiedlichen (N,D)-Paaren zu trainieren und das Ergebnis aufzuzeichnen.

outcomes = ()
gadget = "cuda" if torch.cuda.is_available() else "cpu"

for cfg in model_configs:
    mannequin = TinyTransformer(vocab_size=len(tokenizer), **cfg)
    N_params = count_params(mannequin)
    for D in token_budgets:
        steps = int(D // (SEQ_LEN * 16))  # assuming batch_size=16
        dataloader = DataLoader(
            tokenized_dataset("prepare").shuffle(seed=0),
            batch_size=16,
            collate_fn=collate_fn
        )
        avg_loss = train_one(mannequin, dataloader, steps=steps, gadget=gadget)
        compute = N_params * D
        outcomes.append({
            "N": N_params,
            "D": D,
            "C": compute,
            "loss": avg_loss
        })

Dann tragen wir den endgültigen Verlust gegen die Berechnung (N×D) auf:

Wir haben folgende wichtige Beobachtungen:

1. Für kleine Rechenbudgetsschneiden kleine Modelle, die mit den meisten verfügbaren Daten trainiert wurden, besser ab als größere Modelle, die mit sehr wenigen Daten trainiert wurden.
2. Für große RechenbudgetsGrößere Modelle werden besser, wenn genügend Daten verfügbar sind.
3. Die optimale Modellgröße wächst nicht linear mit dem Rechenbudget. Beispielsweise führt eine Verdoppelung der Rechenleistung nicht wirklich zu einer doppelt so optimalen Parameteranzahl wie zuvor.

Das folgende Diagramm zeigt die Effizienzgrenze über die Modellgröße hinweg, d. h. die Menge der Modellgrößen, die für eine bestimmte Berechnung den geringsten Verlust aufweisen.

„Bestes“ Modell

Um das „beste“ Modell zu ermitteln, würden wir das Paar aus Modellgröße und Anzahl der Token auswählen, das den Verlust bei einem festen Funds minimiert.

Wir gehen davon aus, dass beide einer Potenzgesetzbeziehung folgen: N_opt∝C^α, D_opt∝C^β, und wir möchten die unbekannten Exponenten α und β durch die folgenden Schritte schätzen:

1. Nehmen Sie den Logarithmus der Größen: log?(N_opt)=αlog?(C)+const, log?(D_opt)=βlog?(C)+const.
2. Passen Sie eine lineare Regression an. Die Steigung der Regression ist nichts anderes als der Exponent des Potenzgesetzes.

Der folgende Code gibt eine solche Regression:

# Match log-log linear regression
a_slope, a_intercept, *_ = st.linregress(np.log(frontier.C), np.log(frontier.N))
b_slope, b_intercept, *_ = st.linregress(np.log(frontier.C), np.log(frontier.D))

In unserem Spielzeugexperiment haben wir herausgefunden, dass N_opt ~C^0,14 und D_opt~ C^0,86. Dieses Ergebnis zeigt möglicherweise nicht das gesamte Bild, da wir das Experiment mit vereinfachten Modellen und Konfigurationen durchgeführt haben. Wir können jedoch immer noch erkennen, dass das Wachstum der Datenverarbeitung zu einer Zunahme der optimalen Modellgröße führt, allerdings mit abnehmender Geschwindigkeit. Natürlich sollte das verbleibende Funds für mehr Schulungsgutscheine verwendet werden.

Darüber hinaus ergibt die obige Berechnung, dass das beste Verhältnis N_opt/D_opt=C^-0,72 ist. Dies bedeutet, dass Sie bei einer Erhöhung der Rechenleistung mehr Trainingstoken hinzufügen sollten, anstatt die Modellgröße zu erhöhen.

Praktische Erkenntnisse

Aus diesem Experiment, obwohl es sich um einen Spielzeugkoffer handelt, können wir mehrere Erkenntnisse gewinnen:

1. Bei einem festen Funds kann die Verwendung eines mittleren Modells mit mehr Daten die Leistung eines sehr großen Modells mit begrenzten Daten übertreffen.
2. Die optimale Modellgröße und Datengröße wachsen mit der Rechenleistung. Trainieren Sie kein Modell mit vielen Parametern, wenn Sie über ein kleines Funds verfügen.
3. Wenn das Funds steigt, berücksichtigen Sie zunächst das optimale Verhältnis N_opt/D_opt, um zu bestimmen, ob Sie die Modellgröße erhöhen oder mehr Trainingsdaten hinzufügen sollten.

Abschluss

In diesem Blogbeitrag stellen wir eine Studie zum Kompromiss zwischen Modellgröße und Daten bei einem festen Rechenbudget für LLMs mit einem Spielzeugkoffer bereit. Das Experiment zeigt, dass wir das optimale Paar aus Modellgröße und Token-Anzahl finden können, um mit einem gegebenen Funds die beste Modellleistung zu erzielen, was es Forschern und Praktikern ermöglicht, LLMs sinnvoll zu entwerfen und die besten Ergebnisse zu erzielen.

Referenz

(1) Kaplan, J., McCandlish, S., Henighan, T., Brown, TB, Chess, B., Baby, R., Grey, S., Radford, A., Wu, J. und Amodei, D. (2020). Skalierungsgesetze für neuronale Sprachmodelle.

(2) Hoffmann, J., Borgeaud, S., Mensch, A., Buchatskaya, E., Cai, T., Rutherford, E., de Las Casas, D., Hendricks, LA, Welbl, J., Clark, A., Hennigan, T., Noland, E., Millican, Okay., van den Driessche, G., Damoc, B., Man, A., Osindero, S., Simonyan, Okay., Elsen, E., … Sifre, L. (2022). Coaching rechenoptimaler großer Sprachmodelle.

Jedes Jahr stehen globale Gesundheitsexperten mit einer Entscheidung mit hoher Einsätze: Welche Influenza-Stämme sollten in den nächsten saisonalen Impfstoff eingehen? Die Wahl muss Monate im Voraus getroffen werden, lange bevor die Grippezeit beginnt, und es kann sich oft wie ein Rennen gegen die Uhr anfühlen. Wenn die ausgewählten Stämme den zirkulieren, ist der Impfstoff wahrscheinlich sehr effektiv. Wenn die Vorhersage jedoch nicht mehr abfällt, kann der Schutz erheblich sinken und zu (potenziell vermeidbaren) Krankheiten und Belastungen für Gesundheitssysteme führen.

Diese Herausforderung wurde den Wissenschaftlern in den Jahren während der Covid-19-Pandemie noch vertrauter. Denken Sie an die Zeit zurück (und immer und immer wieder), als neue Varianten entstanden, als Impfstoffe eingeführt wurden. Influenza verhält sich wie ein ähnlicher, lauter Cousin, der ständig und unvorhersehbar mutiert. Das macht es schwierig, im Voraus zu bleiben, und daher schwieriger, Impfstoffe zu entwerfen, die schützend bleiben.

Um diese Unsicherheit zu verringern, haben Wissenschaftler des MIT -Labors für Informatik und künstliche Intelligenz (CSAIL) und der MIT Abdul Latif Jameel -Klinik für maschinelles Lernen im Gesundheitswesen die Impfstoffauswahl genauer und weniger auf Vermutungen angewiesen. Sie erstellten ein KI -System namens VaxSeer, das die dominanten Grippestämme vorherzusagen und die schützendsten Impfstoffkandidaten Monate im Voraus zu identifizieren. Das Device verwendet Deep -Studying -Modelle, die auf Jahrzehnten von Virussequenzen und Labortestgebnissen trainiert wurden, um zu simulieren, wie sich das Grippevirus entwickeln kann und wie die Impfstoffe reagieren.

Traditionelle Evolutionsmodelle analysieren häufig die Wirkung einzelner Aminosäuremutationen unabhängig. „VaxSeer nimmt ein großes Proteinsprachenmodell an, um die Beziehung zwischen Dominanz und den kombinatorischen Auswirkungen von Mutationen zu erlernen“, erklärt Wenxian Shi, ein Doktorand des MIT -Abteilung für Elektrotechnik und Informatik, Forscher bei CSAIL und führender Autor eines neuen Papiers zu den Arbeiten. „Im Gegensatz zu bestehenden Proteinsprachmodellen, die eine statische Verteilung von viralen Varianten annehmen, modellieren wir dynamische Dominanzverschiebungen, wodurch sie besser für sich schnell entwickelnde Viren wie Influenza geeignet ist.“

Ein Open-Entry-Bericht über die Studie wurde heute in veröffentlicht in Naturmedizin.

Die Zukunft der Grippe

VaxSeer hat zwei Kernvorhersagemotoren: eine, die schätzt, wie wahrscheinlich es ist, dass jeder Virusstamm ausbreiten (Dominanz), und eine andere, die schätzt, wie effektiv ein Impfstoff diesen Stamm neutralisiert (Antigenität). Zusammen erzeugen sie einen vorhergesagten Deckungswert: ein zukunftsgerichtetes Maß dafür, wie intestine ein bestimmter Impfstoff wahrscheinlich gegen zukünftige Viren abschneiden wird.

Die Skala der Punktzahl könnte von einem unendlichen Negativ auf 0 stammen. Je näher der Punktzahl auf 0 ist, desto besser ist das Antigen -Match von Impfstoffstämmen an den zirkulierenden Viren. (Sie können es sich als negativ für eine Artwork „Entfernung“ vorstellen.)

In einer 10-jährigen retrospektiven Studie bewerteten die Forscher die Empfehlungen von VaxSeer gegen die von der Weltgesundheitsorganisation (WHO) für zwei wichtige Grippe-Subtypen: A/H3N2 und A/H1N1. Für A/H3N2 übertraf VaxSeers Entscheidungen die WHO in neun von zehn Saisons, basierend auf retrospektiven empirischen Abdeckungswerten (eine Ersatzmetrik der Impfstoffwirksamkeit, berechnet aus der beobachteten Dominanz aus den vergangenen Saisons und experimentellen Hello -Testergebnissen). Das Workforce verwendete dies, um die Impfstoffauswahl zu bewerten, da die Effektivität nur für Impfstoffe zur Verfügung steht, die der Bevölkerung tatsächlich zur Verfügung gestellt werden.

Für A/H1N1 übertraf es in sechs von zehn Spielzeiten übertroffen oder entsprach der WHO. In einem bemerkenswerten Fall identifizierte VaxSeer für die Grippesaison 2016 einen Stamm, der von der WHO bis zum folgenden Jahr nicht ausgewählt wurde. Die Vorhersagen des Modells zeigten auch eine starke Korrelation mit den Schätzungen der effektiven Impfstoff-Effektivitätsschätzungen, wie das CDC, das Kanada-Überwachungsnetzwerk von Sentinel Practitioner und das Europas I-Transfer-Programm berichtet. Die vorhergesagten Abdeckungswerte von VaxSeer sind eng mit Daten der öffentlichen Gesundheit zu grippebedingten Krankheiten und medizinischen Besuchen in Einklang gebracht, die durch Impfungen verhindert werden.

Wie genau macht Vaxseer all diese Daten Sinn? Intuitiv schätzt das Modell zunächst, wie schnell ein Virusstamm im Laufe der Zeit mit einem Proteinsprachenmodell ausbreitet, und bestimmt dann seine Dominanz durch Berücksichtigung der Konkurrenz zwischen verschiedenen Stämmen.

Sobald das Modell seine Erkenntnisse berechnet hat, sind sie in ein mathematisches Rahmen angeschlossen, basierend auf etwas, das als gewöhnliche Differentialgleichungen bezeichnet wird, um die virale Ausbreitung im Laufe der Zeit zu simulieren. Für die Antigenität schätzt das System, wie intestine ein gegebener Impfstoffstamm in einem gemeinsamen Labortest namens Hämagglutinations -Hemmungstest abfällt. Dies misst, wie effektiv Antikörper das Virus an der Bindung an humane rote Blutkörperchen hemmen können. Dies ist ein weit verbreiteter Proxy für die Antigen -Match/Antigenität.

Evolution übertreffen

„Durch die Modellierung, wie sich Viren entwickeln und wie Impfstoffe mit ihnen interagieren, können KI -Instruments wie Vaxseer Gesundheitsbeamten helfen, bessere und schnellere Entscheidungen zu treffen – und im Rennen zwischen Infektion und Immunität einen Schritt voraus zu sein“, sagt Shi.

VaxSeer konzentriert sich derzeit nur auf das HA -Protein des Grippevirus (Hämagglutinin), das Hauptantigen von Influenza. Zukünftige Versionen könnten andere Proteine ​​wie Na (Neuraminidase) und Faktoren wie Immungeschichte, Herstellungsbeschränkungen oder Dosierungsniveaus einbeziehen. Die Anwendung des Techniques auf andere Viren würde auch große, qualitativ hochwertige Datensätze erfordern, die sowohl die virale Evolution als auch die Immunantworten verfolgen-Daten, die nicht immer öffentlich verfügbar sind. Das Workforce arbeitet derzeit jedoch an den Methoden, die die virale Entwicklung in geringen Datenregimen vorhersagen können, die auf Beziehungen zwischen viralen Familien aufbauen

„Angesichts der Geschwindigkeit der viralen Entwicklung bleibt die derzeitige therapeutische Entwicklung häufig zurück.

„Dieses Papier ist beeindruckend, aber was mich vielleicht noch mehr begeistert, ist die laufende Arbeit des Groups an der Vorhersage der viralen Entwicklung in niedrigen Daten“, sagt der Assistenzprofessor Jon Stokes des Abteilung für Biochemie und biomedizinische Wissenschaften an der McMaster College in Hamilton, Ontario. „Die Implikationen gehen weit über Influenza hinaus. Stellen Sie sich vor, Sie könnten vorhersehen, wie sich antibiotika-resistente Bakterien oder medikamentenresistente Krebserkrankungen entwickeln können, die sich rapide anpassen können. Diese Artwork von Vorhersagemodellierung eröffnet ein starkes neues Nachdenken, wie sich die Krankheiten ändern, und geben uns die Möglichkeit, einen Schritt vorne zu bleiben und klinische Interventionen zu entwerfen, bevor es entgenden, ein großes Downside.“

Shi und Barzilay schrieben die Zeitung mit dem MIT CSAIL Postdoc Jeremy Wohlwend ’16, Meng ’17, PhD ’25 und der jüngsten CSAIL -Tochter Menghua Wu ’19, Meng ’20, PhD ’25. Ihre Arbeit wurde teilweise von der US -amerikanischen Verteidigungsbedrohungsbehörde und der MIT Jameel -Klinik unterstützt.

GPUs dienen als grundlegende Computermotoren für KI. In groß angelegten Trainingsumgebungen ist die Gesamtleistung jedoch nicht durch die Verarbeitungsgeschwindigkeit, sondern durch die Geschwindigkeit der Netzwerkkommunikation zwischen ihnen eingeschränkt.

Großsprachige Modelle werden auf Tausenden von GPUs geschult, was eine große Menge an Cross-GPU-Verkehr erzeugt. In diesen Systemen auch die kleinste Verzögerungsverbindung. Eine Mikrosekundenverzögerung, wenn GPUS -Daten zur Freigabe zu einer Kettenreaktion führt, die den Trainingsauftrag Stunden hinzufügt. Daher erfordern diese Systeme ein spezielles Netzwerk, das große Datenmengen mit minimaler Verzögerung übertragen soll.

Der traditionelle Ansatz, GPU -Daten über die CPU zu leiten, schuf einen schwerwiegenden Engpass im Maßstab. Um diesen Engpass zu beheben, wurden Technologien wie RDMA und GPUDirect erfunden, um im Wesentlichen einen Bypass um die CPU zu erstellen. Dies schafft einen direkten Weg für GPUs, miteinander zu sprechen.

Diese direkte Kommunikationsmethode benötigt ein Netzwerk, das die Geschwindigkeit bewältigen kann. Die beiden heute verfügbaren Hauptauswahl, um dies bereitzustellen, sind Infiniband und Rocev2.

Wie wählen Sie zwischen Infiniband und Rocev2? Es ist eine große Sache, die Sie dazu zwingt, Rohgeschwindigkeit vor dem Price range auszugleichen und wie viel praktische Abstimmung Sie bereit sind.

Schauen wir uns jede Technologie genauer an, um ihre Stärken und Schwächen zu erkennen.

Grundkonzepte

Bevor wir Infiniband und Rocev2 vergleichen, verstehen wir zunächst, wie die traditionelle Kommunikation funktioniert, und stellen einige grundlegende Konzepte wie RDMA und GPU Direct ein.

Traditionelle Kommunikation
In traditionellen Systemen wird der größte Teil der Datenbewegung zwischen Maschinen von der CPU behandelt. Wenn eine GPU ihre Berechnung beendet und Daten an einen Distant -Knoten senden muss, folgt die folgenden Schritte:

• Die GPU schreibt die Daten in den Speicher des Methods (Host)
• Die CPU kopiert diese Daten in einen von der Netzwerkkarte verwendeten Puffer
• Die NIC (Netzwerkschnittstellenkarte) sendet die Daten über das Netzwerk
• Auf dem empfangenden Knoten liefert die NIC die Daten an die CPU
• Die CPU schreibt es in den Systemspeicher
• Die GPU liest es aus dem Systemspeicher

Dieser Ansatz eignet sich intestine für kleine Systeme, skaliert jedoch nicht für KI -Workloads. Wenn weitere Daten kopiert werden, beginnen sich die Verzögerungen zu summieren, und das Netzwerk kämpft darum, Schritt zu halten.

RDMA
Mit Distant Direct Reminiscence Entry (RDMA) kann ein lokaler Pc direkt auf den Speicher eines Distant -Computer systems zugreifen, ohne die CPU in den Datenübertragungsvorgang einzubeziehen. In dieser Architektur übernimmt die Netzwerkschnittstellenkarte alle Speichervorgänge unabhängig voneinander, sodass sie von den Distant -Speicherorten ausgelesen oder an die Speicherorte schreiben kann, ohne Zwischenkopien der Daten zu erstellen. Diese Funktion des direkten Speicherzugriffs beseitigt die herkömmlichen Engpässe, die mit CPU-vermittelten Datenübertragungen verbunden sind und die Gesamtsystemlatenz verringert.

RDMA erweist sich in KI -Schulungsumgebungen, in denen Tausende von GPUs Gradienteninformationen effizient teilen müssen, als besonders wertvoll. Durch die Umgehung des Betriebssystemverbrauchs und der Netzwerkverspätungen ermöglicht RDMA die für verteilte maschinellen Lernvorgänge wesentliche Kommunikation mit geringer Latenz.

Gpudirect rdma
GPUDIRECT ist die Artwork und Weise von Nvidia, GPUs über PCIE -Verbindungen direkt mit anderen {Hardware} sprechen zu lassen. Wenn eine GPU Daten auf ein anderes Gerät übertragen muss, muss sie den langen Weg unterwegs sein. Die Daten verlaufen zuerst vom GPU -Speicher zum Systemspeicher, dann greift das Empfangsgerät von dort aus. Gpudirect überspringt die CPU vollständig. Die Daten wechseln direkt von einer GPU zu einer anderen.

GPUDIRECT RDMA erweitert dies auf Netzwerktransfers, indem der NIC mit PCIe direkt auf den GPU -Speicher zugreifen kann.

Nachdem wir Konzepte wie RDMA und GPUDIRECT verstehen, schauen wir uns die Infrastrukturtechnologien infiniband und rocev2 an, die Gpudirect RDMA unterstützen.

Infiniband

Infiniband ist eine leistungsstarke Networking-Technologie, die speziell für Rechenzentren und Supercomputing-Umgebungen entwickelt wurde. Während Ethernet für den allgemeinen Verkehr gebaut wurde, ist Infiniband so konzipiert, dass sie hohe Geschwindigkeit und geringe Latenz für KI -Arbeitsbelastungen erfüllen.

Es ist wie ein Hochgeschwindigkeits-Kugelzug, in dem sowohl der Zug als auch die Gleise die Geschwindigkeit aufrechterhalten sollen. Infiniband folgt dem gleichen Konzept, alles, was die Kabel, Netzwerkkarten und Switches einschließlich der Daten schnell verschieben und Verzögerungen vermeiden.

Wie funktioniert es?

Infiniband arbeitet ganz anders als normales Ethernet. Das reguläre TCP/IP -Protokoll verwendet nicht. Stattdessen stützt es sich auf seine eigenen leichten Transportschichten, die für Geschwindigkeit und niedrige Latenz ausgelegt sind.

Im Kern von Infiniband steht RDMA, mit dem ein Server direkt auf den Speicher eines anderen zugreifen kann, ohne die CPU einzubeziehen. Infiniband unterstützt RDMA in {Hardware}, sodass die Netzwerkkarte, die als Host -Kanal -Adapter oder HCA bezeichnet wird, Datenübertragungen direkt übernimmt, ohne das Betriebssystem zu unterbrechen oder zusätzliche Kopien von Daten zu erstellen.

Infiniband verwendet auch ein verlustfreies Kommunikationsmodell. Es wird vermieden, dass Pakete auch unter starkem Verkehr durch die Verwendung einer Kreditregelung der Kreditbasis eingesetzt werden. Der Absender überträgt nur die Daten, wenn der Empfänger über genügend Pufferraum zur Verfügung steht.

In großen GPU -Clustern verschieben Infiniband -Schalter Daten zwischen Knoten mit extrem geringer Latenz, häufig unter einer Mikrosekunde. Und weil das gesamte System für diesen Zweck erstellt wurde, arbeitet alles von der {Hardware} bis zur Software program zusammen, um eine konsistente Kommunikation mit hohem Durchsatz zu liefern.

Lassen Sie uns eine einfache GPU-to-GPU-Kommunikation unter Verwendung des folgenden Diagramms verstehen-

• GPU 1 gibt Daten an seine HCA und überspringt die CPU
• Die HCA initiiert ein RDMA, das an die Distant -GPU schreibt
• Die Daten werden über den Infiniband -Swap übertragen
• Die empfangende HCA schreibt die Daten direkt in den Speicher von GPU 2

Stärke

• Schnell und vorhersehbar -Infiniband liefert eine extrem niedrige Latenz und eine hohe Bandbreite, wodurch große GPU-Cluster ohne Schluckauf effizient laufen.
• Gebaut für RDMA -Es behandelt RDMA in {Hardware} und verwendet eine Kredit-Foundation-Flussregelung, um Paketropfen auch unter schwerer Belastung zu vermeiden.
• Skalierbar – Da alle Teile des Methods für die Zusammenarbeit ausgelegt sind, wird die Leistung nicht beeinflusst, wenn dem Cluster zusätzliche Knoten hinzugefügt werden.

Schwächen

• Teuer – {Hardware} ist teuer und hauptsächlich mit Nvidia gebunden, was die Flexibilität einschränkt.
• Schwer zu verwalten – – Setup und Tuning erfordern spezielle Fähigkeiten. Es ist nicht so einfach wie Ethernet.
• Begrenzte Interoperabilität – Es ist nicht intestine mit Normal-IP-Netzwerken gespielt, was es für allgemeine Umgebungen weniger flexibel macht.

Rocev2

ROCEV2 (RDMA über konvergierter Ethernet -Model 2) bringt die Vorteile von RDMA in Normal -Ethernet -Netzwerke. ROCEV2 verfolgt einen anderen Ansatz als Infiniband. Anstatt benutzerdefinierte Netzwerkhardware zu benötigen, verwendet es nur Ihr reguläres IP -Netzwerk mit UDP für den Transport.

Stellen Sie sich vor, eine reguläre Autobahn mit einer Categorical -Spur nur für kritische Daten zu verbessern. Sie müssen das gesamte Straßensystem nicht wieder aufbauen. Sie müssen nur die schnelle Spur reservieren und die Verkehrssignale einstellen. ROCEV2 verwendet das gleiche Konzept, es liefert mithilfe des vorhandenen Ethernet-Methods Hochgeschwindigkeits- und Niedrig-Latenz-Kommunikation.

Wie funktioniert es?

ROCEV2 bringt RDMA durch Ausführen von UDP und IP zu Normal -Ethernet. Es funktioniert in regulären Layer 3 -Netzwerken, ohne einen dedizierten Stoff zu benötigen. Es verwendet Warenschalter und Router, wodurch es zugänglicher und kostengünstiger wird.

ROCEV2 ermöglicht wie Infiniband den direkten Speicherzugriff zwischen Maschinen. Der wichtigste Unterschied besteht darin, dass Infiniband während einer geschlossenen, dicht kontrollierten Umgebung die Flussregelung und -stauung verhandelt, ROCEV2 jedoch auf Verbesserungen an Ethernet beruht, wie z.

Prioritätsflussregelung (PFC) – verhindert den Paketverlust, indem sie den Verkehr in der Ethernet -Schicht basierend auf Priorität pausieren.

Explizite Überlastungsbenachrichtigung (ECN)– Markieren Sie Pakete, anstatt sie fallen zu lassen, wenn die Überlastung erkannt wird.

Quantisierte Überlastungsbenachrichtigung des Rechenzentrums (DCQCN)– Ein Überlastungskontrollprotokoll, das auf ECN -Signale reagiert, um den Verkehr reibungsloser zu verwalten.

Um ROCEV2 intestine funktionieren zu können, muss das zugrunde liegende Ethernet -Netzwerk verlustlos oder in der Nähe sein. Andernfalls fällt die RDMA -Leistung ab. Dies erfordert eine sorgfältige Konfiguration von Schalter, Warteschlangen und Durchflusssteuerungsmechanismen im gesamten Rechenzentrum.

Verstehen wir eine einfache GPU-to-GPU-Kommunikation mit dem folgenden Diagramm mit ROCEV2-

• GPU 1 gibt Daten an seine NIC und überspringt die CPU.
• Die NIC wickelt das RDMA -Schreiben in UDP/IP und sendet es über Ethernet.
• Die Daten fließen über Normal -Ethernet -Switches, die mit PFC und ECN konfiguriert sind.
• Die empfangende NIC schreibt die Daten direkt in den Speicher von GPU 2.

Stärke

Kostengünstig-ROCEV2 wird auf Normal-Ethernet-{Hardware} ausgeführt, sodass Sie keine spezialisierten Netzwerkstoffe oder mit Anbieter gesperrten Komponenten benötigen.

Einfacher zu bereitstellen-Da es vertraute IP-basierte Netzwerke verwendet, ist es für Groups, die bereits die Annahme von Ethernet-Rechenzentren bereits verwalten.

Versatile Integration– ROCEV2 funktioniert intestine in gemischten Umgebungen und integriert sich problemlos in vorhandene Layer 3 -Netzwerke.

Schwächen

Erfordert Tuning– Um Paketverlust zu vermeiden, hängt ROCEV2 von der sorgfältigen Konfiguration von PFC, ECN und Überlastungskontrolle ab. Eine schlechte Abstimmung kann die Leistung beeinträchtigen.

Weniger deterministisch-Im Gegensatz zu Infinibands eng kontrollierter Umgebung können Ethernet-basierte Netzwerke Variabilität in Latenz und Jitter einführen.

Komplex im Maßstab– Wenn die Cluster wachsen, wird die Aufrechterhaltung eines verlustfreien Ethernet -Stoffes mit konsistentem Verhalten immer schwieriger.

Abschluss

In einem groß angelegten GPU-Cluster ist die Rechenleistung wertlos, wenn das Netzwerk die Final nicht verarbeiten kann. Die Netzwerkleistung wird genauso wichtig wie der GPUs, da es das gesamte System zusammenhält. Technologien wie RDMA und GPUDIRECT RDMA tragen dazu bei, die üblichen Verlangsamungen zu verkürzen, indem sie unnötige Unterbrechungen und das Kopieren von CPU beseitigen und GPUs direkt miteinander sprechen lassen.

Sowohl Infiniband als auch Rocev2 beschleunigen die GPU-to-GPU-Kommunikation, verfolgen jedoch unterschiedliche Ansätze. Infiniband baut ein eigenes Netzwerk -Setup auf. Es bietet eine hervorragende Geschwindigkeit und geringe Latenz, aber zu hohen Kosten. ROCEV2 bietet mehr Flexibilität, indem das vorhandene Ethernet -Setup verwendet wird. Das Price range ist einfacher, aber es braucht eine ordnungsgemäße Abstimmung von PFC und ECN, damit es funktioniert.

Am Ende des Tages ist es ein klassischer Kompromiss. Gehen Sie mit Infiniband, wenn Ihre oberste Priorität darin besteht, die bestmögliche Leistung zu erzielen, und das Price range ist weniger besorgniserregend. Wenn Sie jedoch eine flexiblere Lösung wünschen, die mit Ihrem vorhandenen Netzwerkausrüstung funktioniert und weniger im Voraus kostet, ist Rocev2 der richtige Weg.

Der einfachste Weg, die Qualifikation eines Klassifizierungsmodells zu bewerten, besteht darin, die erwarteten Werte und die vorhergesagten Werte aus dem Modell zu kombinieren und alle Fälle zu zählen, in denen wir Recht oder falsch hatten. das heißt – konstruieren Sie eine Verwirrungsmatrix.

Für alle, die auf Klassifizierungsprobleme im maschinellen Lernen gestoßen sind, ist eine Verwirrungsmatrix ein ziemlich bekanntes Konzept. Es spielt eine wichtige Rolle bei der Bewertung von Klassifizierungsmodellen und bietet Hinweise darauf, wie wir ihre Leistung verbessern können.

Obwohl Klassifizierungsaufgaben diskrete Ausgaben erzeugen können, haben diese Modelle tendenziell ein gewisses Maß an Unsicherheit.

Die meisten Modellausgaben können in Bezug auf die Wahrscheinlichkeiten der Zugehörigkeit der Klasse ausgedrückt werden. Typischerweise, eine Entscheidungsschwelle Dadurch kann ein Modell die Ausgangswahrscheinlichkeit einer diskreten Klasse auf den Vorhersageschritt einstellen. Am häufigsten ist dieser Wahrscheinlichkeitsschwellenwert auf 0,5 eingestellt.

Abhängig von der Anwendungsfallfall und davon, wie intestine das Modell die richtigen Informationen erfassen kann, kann dieser Schwellenwert angepasst werden. Wir können analysieren, wie sich das Modell an verschiedenen Schwellenwerten entwickelt, um die gewünschten Ergebnisse zu erzielen.

KI ist große Veränderungen im Geschäft vorantreiben. Dies kann für Unternehmen, die ihre Geschäftsmodelle verbessern möchten, sehr hilfreich sein.

Einer der größten Vorteile der KI besteht darin, dass sie es kann Hilfe bei der Produktauswahl durch die Personalisierung von Empfehlungen, die Beschleunigung von Entscheidungsprozessen und die Verwertung riesiger Datenmengen. Dieses YouTube-Video bietet einige Einblicke dazu.

Es wendet Algorithmen an, die Benutzerpräferenzen, frühere Verhaltensweisen und Echtzeit-Suggestions untersuchen, um Produkte vorzuschlagen, die genau den Bedürfnissen einer Particular person entsprechen. Von virtuellen Einkaufsassistenten bis hin zu weiterentwickelten Vergleichstools liefert KI jetzt detaillierte Informationen über Funktionen, Preise und Bewertungen, die den Rechercheaufwand und die Recherchezeit reduzieren. Darüber hinaus ermöglichen die KI-gestützte Bilderkennung und Augmented Actuality den Verbrauchern, zu sehen, wie unterschiedliche Produkte in ihrer eigenen Umgebung aussehen würden, und geben ihnen so mehr Sicherheit bei ihren Entscheidungen.

Wie KI bei der Auswahl von HDPE-Fittings für Wassersysteme helfen kann
KI spielt eine wichtige Rolle bei der Vereinfachung der Auswahl von HDPE-Fittings für Wassersysteme durch die Analyse technischer Anforderungen und das Angebot optimierter Lösungen. KI-gestützte Designtools können beispielsweise Systemdrücke, Rohrdurchmesser und Durchflussraten berechnen, um Armaturen zu empfehlen, die Haltbarkeit und Effizienz gewährleisten. Diese Systeme können auf Industriestandards und lokale Vorschriften verweisen, um das Risiko von Fehlern bei der Auswahl zu verringern. Darüber hinaus werden auch die Kompatibilitätsprüfungen verschiedener Marken und Materialien durchgeführt, um eine reibungslose Integration in die bestehende Infrastruktur sicherzustellen.

Über technische Empfehlungen hinaus verbessern KI-gesteuerte Plattformen das Benutzererlebnis durch den Einsatz interaktiver Instruments, wie z. B. der 3D-Visualisierung von Armaturen in Systemlayouts. Sie erweitern außerdem den Echtzeit-Help durch Chatbots, die in der Lage sind, Fragen zu beantworten und alle Spezifikationen zu erläutern. Mit KI, unter Nutzung historischer Daten und prädiktiver Analysen ist sogar die Vorhersage von Wartungsbedarfen und Armaturenvorschlägen zur Minimierung langfristiger Kosten möglich. Eine solche Kombination aus Präzision, Komfort und vorausschauender Planung bei der Auswahl von HDPE-Armaturen für komplexe Wassersysteme macht KI zu einem unschätzbaren Vorteil.

Hochdichtes Polyethylen (HDPE) hat die Wassersystemindustrie aufgrund seiner Haltbarkeit, Kosteneffizienz und Umweltfreundlichkeit revolutioniert. HDPE-Rohrverbindungsstücke sind der Grundstein für effiziente Wassertransportsysteme und bieten unübertroffene Vielseitigkeit und Leistung. In diesem Leitfaden erfahren Sie alles, was Sie über die Auswahl von HDPE-Fittings für Wassersysteme wissen müssen, von ihren Eigenschaften bis hin zu Wartungstipps.

Für ihre effektive und dauerhafte Leistung benötigen Wassersysteme eine Reihe zuverlässiger Materialien. HDPE-Fittings sind aufgrund ihrer überlegenen Eigenschaften die perfekte Lösung für den Wassertransport. Ob Wohn-, Gewerbe- oder Industrieanwendungen; Das Verständnis der Eigenschaften, Anwendungen und Vorteile wird Ihnen helfen, eine fundierte Entscheidung über HDPE-Fittings zu treffen.

2. Erkundung von HDPE-Materials: Eigenschaften und Verwendungsmöglichkeiten

HDPE ist die Abkürzung für Excessive-Density Polyethylene, eine Artwork thermoplastisches Polymer, das für sein hohes Verhältnis von Festigkeit zu Dichte bekannt ist. Es steht für Flexibilität, Haltbarkeit und Widerstandsfähigkeit gegenüber Umwelteinflüssen.

Haupteigenschaften von HDPE:

• Leicht: Leicht zu transportieren und zu handhaben.
• Flexibilität: Kann Druckänderungen und Bodenbewegungen standhalten.
• Korrosionsbeständigkeit: Immun gegen Rost, Chemikalien und UV-Strahlung.

Verwendung von HDPE in Wassersystemen:

HDPE wird zur Herstellung von Rohren, Formstücken und Anschlüssen für verschiedene Anwendungen verwendet, darunter Trinkwassersysteme, Bewässerungsnetze und Abwassermanagement.

3. Hauptvorteile von HDPE in Rohrverbindungsstücken

HDPE-Rohrverbindungsstücke haben eindeutige Vorteile, die sie zu einer bevorzugten Wahl für Wassersysteme machen:

• Haltbarkeit: HDPE-Fittings können jahrzehntelang halten, wodurch die Notwendigkeit eines häufigen Austauschs verringert wird.
• Leckagefreie Verbindungen: Das Schmelzschweißen sorgt für nahtlose Verbindungen und minimiert das Risiko von Undichtigkeiten.
• Kosteneffizienz: Die Langlebigkeit und der geringe Wartungsaufwand von HDPE senken die Gesamtkosten.
• Chemische Beständigkeit: Geeignet für den Umgang mit verschiedenen Flüssigkeiten ohne Korrosionsgefahr.

4. HDPE und Nachhaltigkeit: Vorteile für die Umwelt

HDPE ist ein umweltfreundliches Materials das nachhaltige Wassersysteme unterstützt.

Vorteile für die Umwelt:

• Recyclingfähigkeit: HDPE-Fittings können recycelt und wiederverwendet werden, wodurch Abfall reduziert wird.
• Niedriger CO2-Fußabdruck: Die Herstellung und der Transport von HDPE erfordern im Vergleich zu anderen Materialien weniger Energie.
• Langlebigkeit: Mit einer Lebensdauer von über 50 Jahren reduziert HDPE den Bedarf an ressourcenintensiven Ersatzprodukten.

Durch den Einbau von Armaturen aus hochdichtem Polyethylen tragen Wassersysteme zu globalen Nachhaltigkeitsbemühungen bei.

5. Sorten von HDPE-Fittings: Ein umfassender Leitfaden

HDPE-Fittings gibt es in verschiedenen Formen, die jeweils auf spezifische Anforderungen zugeschnitten sind.

Arten von HDPE-Fittings:

• Ellenbogen: Wird verwendet, um die Fließrichtung zu ändern.
• Abschläge: Abzweigung von der Hauptleitung zulassen.
• Koppler: Verbinden Sie zwei Rohrabschnitte nahtlos.
• Reduzierstücke: Verbinden Sie Rohre mit unterschiedlichen Durchmessern.
• Endkappen: Verschließen Sie die Rohrenden.

Diese Armaturen sind in verschiedenen Größen und Konfigurationen erhältlich, um den unterschiedlichsten Anwendungen gerecht zu werden.

6. Häufige Anwendungen von HDPE-Rohrverbindungsstücken

HDPE-Rohrverbindungsstücke sind äußerst vielseitig und werden in verschiedenen Wassersystemen eingesetzt:

Trinkwasserversorgung:

HDPE-Fittings werden aufgrund ihrer ungiftigen und korrosionsbeständigen Eigenschaften häufig für sauberes Trinkwasser verwendet.

Bewässerungssysteme:

Versatile und langlebige Armaturen aus hochdichtem Polyethylen sind splendid für Bewässerungsnetze in der Landwirtschaft.

Regenwasserentwässerung:

Aufgrund ihrer Fähigkeit, hohem Druck und großen Volumina standzuhalten, eignen sich HDPE-Fittings perfekt für die Regenwasserbewirtschaftung.

Abwassermanagement:

HDPE-Fittings bieten chemische Beständigkeit und eignen sich daher für den Transport von industriellem und kommunalem Abwasser.

7. HDPE-Rohrverbindungsstücke in industriellen Umgebungen

HDPE-Fittings sind aufgrund ihrer Eigenschaften eine Bereicherung für industrielle Anwendungen Robuste Leistung unter anspruchsvollen Bedingungen.

Industrielle Verwendungen:

• Chemische Verarbeitung: Umgang mit aggressiven Chemikalien ohne Zersetzung.
• Bergbau: Transportieren Sie Schlamm und andere abrasive Materialien.
• Öl und Fuel: Very best für den Umgang mit Kohlenwasserstoffen und anderen korrosiven Substanzen.

HDPE-Fittings halten extremen Temperaturen und Drücken stand und sind daher in anspruchsvollen Umgebungen unverzichtbar.

8. Vorteile von HDPE-Wasserrohranschlüssen

1. Erhöhte Effizienz:

HDPE-Anschlüsse sorgen durch auslaufsichere Verbindungen für minimalen Wasserverlust.

2. Einfache Set up:

Ihr leichtes Design und die Schmelzschweißung ermöglichen eine schnelle und problemlose Set up.

3. Erhöhte Sicherheit:

HDPE-Fittings sind ungiftig und resistent gegen Bakterien und daher sicher für Trinkwassersysteme.

4. Lange Lebensdauer:

Bei richtiger Wartung können HDPE-Fittings über 50 Jahre halten und bieten so ein gutes Preis-Leistungs-Verhältnis.

9. Wartungstipps zur Maximierung der Lebensdauer von HDPE-Armaturen

Regelmäßige Wartung kann die Lebensdauer von (HDPE) Excessive-Density-Polyethylen-Fittings erheblich verlängern.

Inspektionspraktiken:

• Auf Anzeichen von Abnutzung, Rissen oder Undichtigkeiten prüfen.
• Überprüfen Sie die Verbindungen und Dichtungen regelmäßig.

Reinigen und Spülen:

• Vermeiden Sie Verstopfungen, indem Sie die Armaturen regelmäßig reinigen.

Vorbeugende Maßnahmen:

• Vermeiden Sie eine Überlastung des Methods durch übermäßigen Druck.
• Verwenden Sie bei der Montage und Reparatur geeignete Werkzeuge, um eine Beschädigung der Armaturen zu vermeiden.

10. Fazit

HDPE-Armaturen sind das Rückgrat moderner Wassersysteme und bieten unübertroffene Leistung, Haltbarkeit und Nachhaltigkeit. Wenn Sie die Eigenschaften, Vorteile und Anwendungen des Supplies verstehen, können Sie eine fundierte Entscheidung für die Anforderungen Ihres Wassersystems treffen. Von privaten Sanitäranlagen bis hin zu Industrierohrleitungen bieten HDPE-Fittings Zuverlässigkeit und Effizienz, was sie zur ersten Wahl für die Wassersysteme von heute und morgen macht.

Die Auswahl der richtigen HDPE-Armaturen gewährleistet nicht nur die optimale Leistung Ihres Wassersystems, sondern trägt auch zu einer umweltfreundlicheren, nachhaltigeren Zukunft bei.

Datenwissenschaft ist ein sich entwickelnder Beruf. Es gibt über 200.000 Datenwissenschaftler im Land und Jedes Jahr gibt es 20.800 neue Stellenangebote im Bereich Knowledge Science.

Leider kann es schwierig sein, ein Datenwissenschaftler zu sein. Es reicht nicht aus, nur die neuesten Traits im Bereich Huge Knowledge zu kennen oder zu wissen, wie man das macht Verwenden Sie Programmiersprachen wie Python.

Datenwissenschaftler benötigen auch die beste {Hardware}. Es gibt viele großartige Pc, die helfen können, aber einige der besten sind Gamer-Laptops. Aus diesem Grund müssen sie bei der Auswahl die richtigen datengesteuerten Tipps befolgen.

Zu den Möglichkeiten, Daten zu nutzen, um den richtigen Laptop computer zu finden, gehören:

• Knowledge-Mining-Produktseiten, um Laptops mit dem besten Preis zu finden
• Verwendung von Selenium und anderen Knowledge-Mining-Instruments, um mehr über die Marke zu erfahren
• Mithilfe von Knowledge Mining die Laptops mit den besten Bewertungen auf Amazon und anderen Vergleichsseiten finden

Wenn Sie Videospiele lieben und diese auf Reisen oder an verschiedenen Orten spielen möchten, benötigen Sie wahrscheinlich einen Gamer-Laptop computer. Diese Artwork von Laptops wurden speziell für Videospiele entwickelt und werden daher von Menschen, die sich für dieses Passion begeistern, sehr geschätzt.

Vielen Menschen ist jedoch nicht bewusst, dass Gaming-Laptops weit mehr als nur zum Spielen geeignet sind. Warum ist das so und sollten Sie über die Anschaffung eines Gamer-Laptops nachdenken, auch wenn Sie kein Fan von Videospielen sind? Ist es perfekt für? eine Karriere in der Datenwissenschaft? Lesen Sie weiter, um mehr zu erfahren.

Die leistungsstarke Natur von Gamer-Laptops Macht es perfekt für Knowledge Science

Ein typisches Gamer-Laptop computer ist mit einer Vielzahl von Komponenten und Funktionen ausgestattet, die es ermöglichen, die neuesten Videospiele zu genießen. Beispielsweise verfügen die meisten Gamer-Laptops über eine leistungsstarke Zentraleinheit oder CPU, die eine viel schnellere und zuverlässigere Leistung bei einer Vielzahl von Computeraufgaben ermöglicht. Sie sind in der Regel auch mit einer Grafikkarte oder Grafikverarbeitungseinheit oder GPU ausgestattet, die hochspezialisiert ist für die Wiedergabe von Grafiken – eine notwendige Aufgabe für die Ausführung von Videospielen. Der Arbeitsspeicher (Random Entry Reminiscence, RAM) ist in Gamer-Laptops in der Regel leistungsstark und Gamer-Laptops verfügen in der Regel über eine Reihe weiterer Funktionen zur Unterstützung von Gamern, darunter hochauflösende Bildschirme, eine schnelle Bildwiederholfrequenz und zusätzliche Anschlüsse für Peripheriegeräte.

Möglicherweise verfügen Sie nicht über die erforderlichen technischen Kenntnisse, um zu verstehen, wie alle diese Komponenten funktionieren und miteinander interagieren. Aber im Endeffekt sind Gamer-Laptops darauf ausgelegt, sehr leistungsstark zu sein. Sie sind in der Regel leistungsstärker, schneller und in vielerlei Hinsicht zuverlässiger als vergleichbare Laptops auf dem Markt.

Diese Leistung und Vielseitigkeit machen es supreme für die Datenwissenschaft. Die Datenwissenschaft erfordert sehr intensive Berechnungen. was einen tollen Pc erfordert. Warum additionally nicht einen tollen Gaming-Laptop computer kaufen?

Ein besseres Spielerlebnis

Der offensichtliche Vorteil dieser zusätzlichen Leistung ist ein besseres Spielerlebnis. Ihre Videospiele werden schneller geladen, sie laufen flüssiger, Sie können mehr davon speichern und Sie können Ihre Reaktionszeit mit blitzschneller Reaktionsfähigkeit auf die Probe stellen. Unabhängig davon, welche Arten von Videospielen Sie mögen oder warum Sie sie mögen, ein Gaming-Laptop computer bietet Ihnen ein viel besseres Erlebnis als ein vergleichbarer Laptop computer ohne diese fortschrittlichen Komponenten.

Warum Gaming-Laptops nicht nur zum Spielen geeignet sind

Wie können wir additionally mit Sicherheit sagen, dass Gaming-Laptops nicht nur für Spiele geeignet sind?

Gesamtgeschwindigkeit und Leistung. Die zusätzliche Geschwindigkeit und Leistung kommen weit mehr als nur Videospielen zugute. Selbst einfache Aufgaben wie Textverarbeitung und Surfen im Web können mit leistungsstärkeren internen Komponenten in mancher Hinsicht schneller erledigt werden. Ressourcenintensive Aufgaben lassen sich viel einfacher bewältigen und Sie können Multitasking effektiver durchführen.

Grafikverarbeitung. Auch die Grafikleistung von Gaming-Laptops kann ein entscheidender Vorteil sein. Wenn Sie Movies rendern oder bearbeiten oder spezielle Software program mit erweiterten Grafikanforderungen verwenden, werden Sie froh sein, über die zusätzliche Grafikkarte in Ihrem Gaming-Laptop computer zu verfügen.

Einstellungen und Optionen. Einige Gaming-Laptops verfügen über zusätzliche Einstellungen und Optionen, sodass Gamer ihr Erlebnis vollständig anpassen können. Sie können an den Einstellungen herumbasteln, um die maximale Leistung aus Ihrem Gerät herauszuholen oder es zu optimieren, um die Akkulaufzeit zu verlängern. Die meisten Laptops verfügen zumindest über einige dieser Steuerelemente, Gaming-Laptops verfügen jedoch über mehr.

Nischenanwendungen. Auch für bestimmte Nischenanwendungen eignen sich Gaming-Laptops hervorragend. Zum Beispiel, Krypto-Mining erfordert einen Pc mit einer Grafikkarte oder einer fortgeschrittenen Grafikverarbeitung.

Sollten Sie sich einen Gaming-Laptop computer zulegen?

Ist ein Gaming-Laptop computer das Richtige für Sie?

Typische Aktivitäten. Das Wichtigste, was Sie berücksichtigen sollten, ist die Artwork der Aktivitäten, für die Sie Ihren Laptop computer normalerweise verwenden. Wenn Sie regelmäßig Videospiele spielen, haben Sie gute Gründe, sich einen Gaming-Laptop computer zuzulegen. Das Gleiche gilt, wenn Sie anderen grafikintensiven Tätigkeiten nachgehen. Wenn Sie jedoch nur an einem Gerät interessiert sind, das im Web surfen und gelegentlich Textverarbeitungsvorgänge durchführen kann, benötigen Sie möglicherweise keinen Gaming-Laptop computer.

Nachfrage nach Produktivität. Gaming-Laptops sind dank ihrer Geschwindigkeit und Leistung hervorragende Voraussetzungen für eine höhere Produktivität. Wenn Sie zum Arbeiten einen Laptop computer nutzen, sollten Sie über ein Improve auf einen Gaming-Laptop computer nachdenken.

Zukünftige Interessen. Sie sollten auch Ihre zukünftigen Interessen berücksichtigen. Möglicherweise interessieren Sie sich derzeit nicht für 3D-Animationen oder Krypto-Mining, aber ein Gaming-Laptop computer könnte Ihnen einen Einstieg in das Erlernen dieser Hobbys ermöglichen.

Finances. Grafikkarten und andere leistungsstarke Komponenten, die in Gaming-Laptops zu finden sind, können teuer sein. Normalerweise zahlen Sie für einen Gaming-Laptop computer mehr als für einen ähnlichen Laptop computer mit weniger fortschrittlichen Spezifikationen. Abhängig von Ihren Bedürfnissen und Ihrem Finances kann dies eine gute Lösung sein oder auch nicht.

Gaming-Laptops sind leistungsstark, für eine Vielzahl von Aktivitäten geeignet und relativ erschwinglich. Allerdings sind sie nicht für jeden Laptop computer-Benutzer perfekt geeignet. Recherchieren Sie gründlich und vergleichen Sie Ihre Optionen, bevor Sie entscheiden, welcher Laptop computer am besten zu Ihren Anforderungen passt.

Ich battle in den letzten fünf Jahren als Vizepräsident für Information Science, KI und Forschung bei zwei börsennotierten Unternehmen tätig. In beiden Rollen battle KI von zentraler Bedeutung für das Kernprodukt des Unternehmens. Wir arbeiteten mit Datenanbietern zusammen, die unsere Daten mit relevanten Funktionen anreicherten, die die Leistung unserer Modelle verbesserten. Nachdem ich meinen gerechten Anteil an Misserfolgen mit Datenanbietern hatte, dieser Beitrag hilft Ihnen, Zeit und Geld zu sparen beim Testen neuer Anbieter.

Warnung: Beginnen Sie diesen Prozess erst, wenn Sie klare Geschäftsmetriken für Ihr Modell haben und bereits eine beträchtliche Menge Zeit in die Optimierung Ihres Modells investiert haben. Die erste Zusammenarbeit mit den meisten Datenanbietern ist in der Regel ein langwieriger Prozess (bestenfalls Wochen, oft aber Monate) und kann sehr teuer sein (einige Datenanbieter, mit denen ich zusammengearbeitet habe, kosten Zehntausende von Greenback professional Jahr, andere haben bei großem Maßstab jährlich Millionen von Greenback ausgegeben).

Da es sich dabei in der Regel um eine große Investition handelt, Beginnen Sie den Prozess erst gar nicht, wenn Sie nicht klar formulieren können, wie die Go/No-Go-Entscheidung getroffen werden soll. Das ist der größte Fehler, den ich je gesehen habe, additionally lesen Sie diesen Satz bitte noch einmal. Für mich bedeutete das immer, dass ich alle Entscheidungsgrundlagen in Greenback umrechnen musste.

Beispielsweise könnte die Leistungsmetrik Ihres Modells die PRAUC eines Klassifikationsmodells Betrug vorhersagen. Nehmen wir an, Ihr PRAUC steigt mit den neuen Daten von 0,9 auf 0,92, was aus Sicht der Datenwissenschaft eine enorme Verbesserung sein könnte. Allerdings kostet es 25 Cent professional Anruf. Um herauszufinden, ob sich das lohnt, müssen Sie den inkrementellen PRAUC in Margendollar umrechnen. Diese Part kann einige Zeit in Anspruch nehmen und erfordert ein gutes Verständnis des Geschäftsmodells. Wie genau lässt sich ein höherer PRAUC in höhere Einnahmen/Margen für Ihr Unternehmen umsetzen? Für die meisten Datenwissenschaftler ist dies nicht immer so einfach.

Dieser Beitrag deckt nicht alle Aspekte der Auswahl eines Datenanbieters ab (z. B. diskutieren wir nicht über Vertragsaushandlungen), sondern behandelt die wichtigsten Aspekte, die von Ihnen als Leiter der Datenwissenschaft erwartet werden.

Wenn Sie der Entscheidungsträger sind und Ihr Unternehmen in großem Maßstab arbeitet, werden Sie höchstwahrscheinlich regelmäßig unaufgeforderte E-Mails von Anbietern erhalten. Ein beliebiger Anbieter kann zwar einen gewissen Wert haben, aber es ist normalerweise am besten, mit Branchenexperten zu sprechen und herauszufinden, welche Datenanbieter häufig verwendet werden. in dieser Branche. Bei der Arbeit mit Daten gibt es enorme Netzwerkeffekte und Skaleneffekte, sodass die größten und bekanntesten Anbieter in der Regel mehr Wert schaffen können. Vertrauen Sie nicht Anbietern, die Lösungen für jedes Downside/jede Branche anbieten, und denken Sie daran, dass die wertvollsten Daten in der Regel am mühsamsten zu erstellen sind und nicht einfach on-line zusammengetragen werden können.

Einige Punkte, die zu Beginn der ersten Gespräche angesprochen werden sollten:

• Wer sind ihre Kunden? Wie viele Großkunden haben sie in Ihrer Branche?
• Kosten (zumindest die Größenordnung), da dies ein frühes Dealbreaker sein könnte
• Zeitreisefähigkeit: Verfügen sie über die technische Möglichkeit, „in der Zeit zurückzureisen“ und Ihnen zu sagen, wie die Daten zu einem früheren Zeitpunkt aussahen? Dies ist entscheidend, wenn ein historischer Proof of Idea durchgeführt wird (weitere Informationen dazu finden Sie weiter unten).
• Technische Einschränkungen: Latenz (Profi-Tipp: Achten Sie immer auf p99 oder andere höhere Perzentile, nicht auf Durchschnittswerte), Betriebszeit-SLA usw.

Vorausgesetzt, der Anbieter hat die oben genannten Hauptpunkte überprüft, können Sie einen Proof-of-Idea-Check planen. Sie sollten über ein Benchmark-Modell mit einer klaren Bewertungsmetrik verfügen, die in Geschäftsmetriken übersetzt werden kann. Ihr Modell sollte über einen Trainingssatz und einen veralteten Testsatz verfügen (möglicherweise auch einen oder mehrere Validierungssätze). Normalerweise senden Sie die relevanten Funktionen des Trainings- und Testsatzes mit ihrem Zeitstempel, damit der Anbieter seine Daten so zusammenführen kann, wie sie historisch vorhanden waren (Zeitreise). Sie können Ihr Modell dann mit ihren Funktionen neu trainieren und den Unterschied im veralteten Testsatz auswerten.

Im Idealfall geben Sie Ihre Zielvariable nicht an den Anbieter weiter. Manchmal fordern Anbieter Ihre Zielvariable an, um ihr Modell zu „kalibrieren/optimieren“, ein maßgeschneidertes Modell zu trainieren, eine Merkmalsauswahl durchzuführen oder eine andere Artwork der Manipulation vorzunehmen, um ihre Merkmale besser an Ihre Anforderungen anzupassen. Wenn Sie die Zielvariable dennoch weitergeben, stellen Sie sicher, dass sie nur für das Trainingsset bestimmt ist. nie der Testsatz.

Wenn Sie beim Lesen des obigen Absatzes Gänsehaut bekommen haben, ein dickes Lob an Sie. Wenn man mit Anbietern zusammenarbeitet, sind diese immer bestrebt, den Wert ihrer Daten zu demonstrieren, und das gilt insbesondere für kleinere Anbieter (bei denen jeder Deal einen großen Unterschied machen kann).

Eine meiner schlimmsten Erfahrungen bei der Zusammenarbeit mit einem Anbieter machte ich vor ein paar Jahren. Ein neuer Datenanbieter hatte gerade eine Serie A unterzeichnet, einen Riesenhype ausgelöst und äußerst relevante Daten für eines unserer Modelle versprochen. Es handelte sich um ein neues Produkt, für das uns relevante Daten fehlten, und wir glaubten, dies könnte ein guter Weg sein, um die Dinge anzukurbeln. Wir machten weiter und starteten einen POC, bei dem ihr Modell unsere AUC auf unserem Trainingsset von 0,65 auf 0,85 verbesserte. Auf dem Testset stürzte ihr Modell komplett ab – sie hatten das Trainingsset lächerlich überangepasst. Nachdem wir dies mit ihnen besprochen hatten, forderten sie die Zielvariable des Testsets an, um die State of affairs zu analysieren. Sie setzten ihren leitenden Datenwissenschaftler ein und baten um eine zweite Iteration. Wir warteten noch ein paar Wochen, bis neue Daten gesammelt waren (die als neues, noch nicht gesehenes Testset dienen sollten). Wieder einmal verbesserten sie die AUC auf dem neuen Zug dramatisch, nur um auf dem Testset erneut zu scheitern. Unnötig zu sagen, dass wir nicht weiterkamen.

1. Legen Sie einen höheren ROI-Schwellenwert fest:
   Beginnen Sie mit der Berechnung des ROI – schätzen Sie die inkrementelle Nettomarge, die das Modell im Verhältnis zu den Kosten generiert. Die meisten Projekte wollen einen schönen positiven Ertrag. Da es viel Raum für Probleme gibt, die Ihren Ertrag schmälern (Datendrift, schrittweise Bereitstellung, Nutzungsbeschränkung mit all Ihren Segmenten usw.), legen Sie einen höheren Schwellenwert fest, als Sie es normalerweise tun würden. Manchmal habe ich eine 5-fache finanzielle Rendite der Anreicherungskosten als Mindestanforderung verlangt, um mit einem Anbieter weiterzumachen, als Puffer gegen Datendrift, potenzielle Überanpassung und Unsicherheit in unserer ROI-Punktschätzung.
2. Partielle Anreicherung:
   Vielleicht ist der ROI für das gesamte Modell nicht ausreichend. Einige Segmente weisen jedoch möglicherweise einen viel höheren Anstieg auf als andere. Es ist möglicherweise am besten, Ihr Modell in zwei Teile aufzuteilen und nur diese Segmente anzureichern. Beispielsweise führen Sie möglicherweise ein Klassifizierungsmodell aus, um betrügerische Zahlungen zu identifizieren. Vielleicht erzielen die getesteten neuen Daten einen hohen ROI in Europa, aber nicht anderswo.
3. Phasenweise Anreicherung: Wenn Sie über ein Klassifizierungsmodell verfügen, können Sie Ihre Entscheidung in zwei Phasen aufteilen:

• Part 1 – Ausführen des vorhandenen Modells
• Bereichern Sie nur die Beobachtungen in der Nähe Ihrer Entscheidungsschwelle (oder über Ihrer Schwelle, je nach Anwendungsfall). Über jede Beobachtung weiter von der Schwelle entfernt wird in Part 1 entschieden.
• Part 2 – Führen Sie das zweite Modell aus, um die Entscheidung zu verfeinern

Dieser Ansatz kann sehr nützlich sein, um Kosten zu senken, indem eine kleine Teilmenge angereichert wird, während gleichzeitig der größte Teil der Leistung erzielt wird, insbesondere bei der Arbeit mit unausgewogenen Daten. Er ist nicht so nützlich, wenn das zweite Modell große Änderungen verursacht. Wenn beispielsweise scheinbar sehr sichere Bestellungen später aufgrund der angereicherten Daten als Betrug identifiziert werden, müssen Sie die meisten (wenn nicht alle) Daten anreichern, um diese Leistung zu erzielen. Wenn Sie Ihre Anreicherung schrittweise durchführen, verdoppelt sich möglicherweise auch Ihre Latenzzeit, da Sie zwei ähnliche Modelle nacheinander ausführen. Überlegen Sie sich additionally sorgfältig, wie Sie den Kompromiss zwischen Latenz, Kosten und Leistungssteigerung optimieren.

Die effektive Zusammenarbeit mit Datenanbietern kann ein langwieriger und mühsamer Prozess sein, die Leistung Ihrer Modelle kann jedoch erheblich gesteigert werden. Hoffentlich hilft Ihnen dieser Leitfaden, Zeit und Geld zu sparen. Viel Spaß beim Modellieren!

Einführung

In der heutigen schnelllebigen Welt ist es wichtiger denn je, gesunde Lebensmittel zu wählen. Angesichts der vielen Waren in den Regalen der Lebensmittelgeschäfte kann es schwierig sein, Nährwertkennzeichnungen zu verstehen. Glücklicherweise haben technologische Verbesserungen Möglichkeiten für revolutionary Lösungen dieses Issues geschaffen. Eine solche Lösung ist Yatter, ein innovatives KI-Instrument, das das Entschlüsseln von Nährwertkennzeichnungen vereinfacht. Yatter befähigt die Verbraucher, gesunde Entscheidungen bezüglich der Ernährung zu treffen.

Nährwertkennzeichnungen für gesunde Lebensmittel verstehen

Nährwertkennzeichnungen liefern wichtige Informationen zum Nährwert von verpackten Waren. Viele Kunden haben jedoch Schwierigkeiten, diese Kennzeichnungen zu lesen. Wer mit ernährungsbezogenen Begriffen wie „gesättigtes Fett“, „Transfett“ und „Natrium“ nicht vertraut ist, hat möglicherweise Schwierigkeiten, sie zu verstehen. Außerdem kann die große Menge an Informationen auf Nährwertkennzeichnungen es schwierig machen, den Nährwert eines Produkts schnell zu analysieren. Hier kommt Yatter AI ins Spiel, das Klarheit schafft und Sie vor ungesunden Lebensmittelzutaten in dem jeweiligen Produkt schützt.

Lassen Sie uns die folgenden Begriffe verstehen: –

1. Trans-Fetteoder Transfettsäuren sind ungesättigte Fette mit angehängten Wasserstoffatomen. Sie kommen häufig in verarbeiteten Lebensmitteln vor, erhöhen den LDL-Cholesterinspiegel und erhöhen das Risiko von Herzerkrankungen.
2. Gesättigte Fette sind bei Raumtemperatur fest und kommen in tierischen Produkten und einigen Pflanzenölen vor. Übermäßiger Konsum kann den LDL-Cholesterinspiegel erhöhen und das Risiko für Herzerkrankungen erhöhen.
3. Natrium ist in vielen Lebensmitteln enthalten, insbesondere in verarbeiteten und verpackten. Eine übermäßige Aufnahme kann zu gesundheitlichen Problemen wie Bluthochdruck führen. Mäßigung ist der Schlüssel zu einer ausgewogenen Ernährung.

Ungesundes Advertising and marketing

Doch auf dem heutigen komplexen Markt, wo die Konkurrenz groß ist und die Gewinnspannen genau unter die Lupe genommen werden, wurden einige Vermarkter beschuldigt, diese Bezeichnungen zu verwenden, um für Artikel zu werben, die nicht immer mit den Gesundheitszielen der Verbraucher im Einklang stehen.

1. Bournvita

Ein Beispiel hierfür ist die Vermarktung von Produkten wie BournVita als nahrhaft, obwohl die Inhaltsstoffe möglicherweise nicht so nahrhaft sind wie behauptet. BournVita, ein beliebtes Schokoladenmalzgetränk, wird häufig als nahrhaftes Getränk vermarktet, das wichtige Bestandteile wie Vitamine und Mineralien enthält, insbesondere für die Gesundheit und Entwicklung von Kindern. Bei genauerer Betrachtung der Bestandteile zeigt sich jedoch eine große Menge Zucker, künstliche Aromen und Zusatzstoffe, die bei übermäßigem Verzehr möglicherweise nicht gesundheitsfördernd sind. Mit Yatter AI können Sie untersuchen, welche Inhaltsstoffe von Bournvita zu ungesunden und gesunden Lebensmitteln gezählt werden.

2. Cornflakes

Cornflakes sind Frühstücksflocken, die häufig als gesunde Different angepriesen werden, jedoch Stoffe enthalten können, die Zweifel an ihrem Nährwert aufkommen lassen. Produktvermarkter verwenden häufig eine Vielzahl von Taktiken, um ungesunde Mahlzeiten zu bewerben. Cornflakes werden beispielsweise als fettarm und reich an Vitaminen und Mineralstoffen wie Eisen und B-Vitaminen angepriesen. Obwohl diese Nährstoffe wichtig sind, können sie die Tatsache verschleiern, dass Cornflakes häufig zugesetzten Zucker und verarbeitete Kohlenhydrate enthalten, die beide bei Verzehr in großen Mengen zu Fettleibigkeit, Diabetes und Herzerkrankungen führen können. Wir glauben additionally, dass es sich nicht um ein besonders gesundes Nahrungsmittel handelt.

Wie entfaltet Yatter AI seine Magie?

Verwendung der Bilderkennung

Yatter AI verwendet künstliche Intelligenz und Bilderkennungstechnologien, um die Analyse von Nährwertkennzeichnungen zu beschleunigen. Mit einem einfachen Schnappschuss können Kunden schnell eine vollständige Analyse der Nährstoffzusammensetzung eines Produkts erhalten. Von Kalorien bis hin zu Makronährstoffen und Mikronährstoffen reduziert Yatter AI komplizierte Daten in einfache Empfehlungen und macht die Auswahl gesunder Lebensmittel so einfach wie nie zuvor.

Einfacher Prozess

Stellen Sie sich vor, Sie sind im Supermarkt und versuchen, zwischen zwei Müslimarken zu wählen. Mit Yatter AI auf WhatsApp und Telegram müssen Sie nur ein Foto von der Nährwertkennzeichnung auf jeder Packung machen. Yatters leistungsstarke Algorithmen scannen das Etikett in Sekundenschnelle und erfassen wichtige Informationen wie Kalorien, Fettgehalt, Zuckergehalt und mehr. So erfahren Sie, welche gesunden Lebensmittelzutaten das Produkt enthält. Durch diesen Prozess können Sie sich gesund ernähren, indem Sie ungesunde, kohlensäurehaltige Lebensmittel meiden.

Wie können wir Yatter dafür verwenden?

Zur Nutzung der ultimativen Funktion von Yatter Bei der Bilderkennung müssen Sie einfache Schritte ausführen, um Ihre Antwort in der richtigen Type und Artwork und Weise zu erhalten.

Machen Sie ein Foto

Sie müssen ein Foto des jeweiligen Produkts machen und in der Überschrift, die Sie stellen möchten, den Kontext Ihrer Frage angeben, um die richtige und perfekte Antwort zu erhalten. Sie möchten beispielsweise bei Cornflakes nach den Ursachen und Wirkungen ihrer Inhaltsstoffe fragen. Schreiben Sie additionally diese Kontextfrage in die Bildunterschrift. Schauen Sie sich das Bild unten an, um zu verstehen, wie die Bilderkennungsfunktion von Yatter funktioniert.

Gestalten Sie Ihre Gesundheitsreise mit Yatter AI

Yatter AI revolutioniert Ihre Fitnessreise, indem es sich nahtlos in Ihren Alltag integriert und Sie mühelos zu Ihren Wellnesszielen führt.

Personalisierte Fitnessziele: Yatter AI bewertet Ihre Fitnessziele und passt Empfehlungen an Ihre spezifischen Anforderungen an, z. B. Gewichtsverlust, Muskelaufbau oder allgemeine Verbesserung des Wohlbefindens.

Umfassende Wellness-Unterstützung: Von der Kalorienverfolgung bis hin zu Trainingsempfehlungen bietet Yatter AI umfassende Unterstützung, die Ihnen dabei hilft, Ihre beste Gesundheit und Ihr Wohlbefinden zu erreichen.

Achtsamkeitsintegration: Yatter AI integriert Achtsamkeitsübungen in Ihr Trainingsprogramm, steigert die geistige Klarheit und den Stressabbau und verbessert gleichzeitig Ihre allgemeine Lebensqualität.

Gezielte Fettentfernung: Yatter AI hilft Ihnen, Fett zu verlieren und einen schlankeren Körper zu bekommen, indem es gezielte Erkenntnisse und Ernährungsratschläge liefert.

Strategien zum Abnehmen: Yatter AI bietet strategische Unterstützung bei der Portionsverwaltung, Essensplanung und Nährstoffoptimierung, damit Sie schlanker und gesünder werden.

Abschluss

Zusammenfassend lässt sich sagen, dass Yatter AI eine bahnbrechende Entdeckung auf dem Gebiet der Nährwertkennzeichnungsanalyse ist. Yatter nutzt künstliche Intelligenz und Bilderkennungstechnologie, um Kunden fundierte Entscheidungen für gesunde Lebensmittel zu ermöglichen, die Transparenz bei der Produktkennzeichnung zu fördern und gesunde Essgewohnheiten zu unterstützen. Während wir uns weiterhin durch die Komplexität der modernen Lebensmittellandschaft navigieren, werden Technologien wie Yatter AI eine immer wichtigere Rolle dabei spielen, uns dabei zu helfen, Entscheidungen zu treffen, die unsere Gesundheit und unser Wohlbefinden fördern. Durch die Verwendung der ultimativen Funktion der Bilderkennung verbessert Yatter AI die Auswahl gesunder Lebensmittel.

Yatter AI ist die KI-Software program von Infoschlüssel