Microsoft meldete eine Phishing-Kampagne, die zwischen dem 14. und 16. April 2026 auf über 35.000 Benutzer in 13.000 Unternehmen, hauptsächlich in den Vereinigten Staaten, abzielte. Diese Kampagne betraf Organisationen in 26 Ländern, wobei 92 % der E-Mails an Unternehmen mit Sitz in den USA gesendet wurden

Am stärksten betroffen waren die Bereiche Gesundheitswesen und Biowissenschaften, auf die 19 % der Opfer entfielen. Weitere betroffene Sektoren waren Finanzdienstleistungen mit 18 %, professionelle Dienstleistungen mit 11 % sowie Technologie und Software program mit ebenfalls 11 %.

Laut der Empfehlung von Microsoft verwendeten die Phishing-E-Mails ausgefeilte HTML-Vorlagen im Unternehmensstil, die dringende Handlungsaufforderungen enthielten. Diese Gestaltung sollte ein Gefühl von Authentizität und Dringlichkeit erzeugen und die E-Mails als legitime interne Kommunikation glaubwürdig erscheinen lassen.

Die Angreifer gaben sich unter verschiedenen Identitäten aus, darunter „Inner Regulatory COC“, „Workforce Communications“ und „Staff Conduct Report“. In den E-Mails wurde behauptet, sie seien über einen „autorisierten internen Kanal“ versandt worden, und es hieß, Hyperlinks und Anhänge seien „überprüft und für den sicheren Zugriff freigegeben“ worden.

Die Kampagne nutzte Taktiken, um herkömmliche E-Mail-Sicherheitsmaßnahmen wie SPF, DKIM und DMARC zu umgehen, indem E-Mails von legitimen Diensten versendet wurden. Die Opfer wurden über bösartige PDF-Anhänge geleitet, die zu schädlichen Zielseiten führten.

Der Prozess beinhaltete mehrere CAPTCHA-Weiterleitungen, die dazu dienen sollten, ein falsches Gefühl der Legitimität zu erzeugen und automatisierte Abwehrmaßnahmen herauszufiltern. Das ultimative Ziel bestand darin, Microsoft-Anmeldeinformationen und -Token in Echtzeit zu sammeln und dabei die Multi-Faktor-Authentifizierung (MFA) effektiv zu umgehen.

---

Hervorgehobener Bildnachweis

Gesponserte Inhalte

Da Unternehmen und Forscher immer mehr auf Webdaten angewiesen sind, ist groß angelegtes Scraping im Jahr 2026 zu einer geschäftskritischen Aktivität geworden. Der Erfolg solcher Projekte hängt von der Wahl des richtigen Proxy-Anbieters ab – einem mit globaler Abdeckung, hoher Zuverlässigkeit, leistungsstarken Anti-Bot-Funktionen und strenger Compliance. In diesem Artikel vergleichen wir Branchenführer: Brilliant Information, Oxylabs, Smartproxy und NetNut.

Warum Proxys für groß angelegtes Scraping verwenden?

Im großen Maßstab stößt Internet Scraping schnell auf Hindernisse wie geografische Beschränkungen, IP-Verbote und CAPTCHAs. Robuste Proxys ermöglichen es Ihnen, Identitäten zu wechseln, jede Area zu erreichen und hochentwickelte Anti-Bot-Systeme zu umgehen, während Sie gleichzeitig Ihre Infrastruktur vor Blockierungen und Blacklisting schützen.

Helle Daten

Brilliant Information bietet eine zentrale Anlaufstelle für alle Proxy-Lösungen, die auf Unternehmen und Entwickler zugeschnitten sind, die die Internet-Datenextraktion skalieren. Seine ethisch fundierten, vielfältigen Proxy-Typen – darunter Privat-, Mobil-, Rechenzentrums- und ISP-Proxys – bieten Benutzern beispiellose Geo-Concentrating on-, Compliance- und Anti-Bot-Instruments. Das intuitive Dashboard und der erweiterte Proxy-Supervisor optimieren die Identitätsrotation, Sitzungskontrolle und granulares Concentrating on selbst für die anspruchsvollsten Web sites.

Hauptanwendungsfall: Am besten für unternehmenstaugliches, Compliance-gesteuertes und hochvolumiges Scraping über globale Quellen hinweg geeignet.

Prime-Options:

• Riesiger Pool von über 150 Millionen IPs in über 195 Ländern für unübertroffene Reichweite.
• Modernste Compliance und Rechtsaufsicht für ethisches Scraping.
• Fortschrittliche Anti-Bot-Technologie (integrierte CAPTCHA-Lösung, intelligente Rotation).
• Proxy Supervisor vereinfacht den Arbeitsablauf und steigert die Leistung für jede Größenordnung.
• Expertensupport rund um die Uhr und dediziertes Onboarding für Unternehmenskunden.

Preise:

• Kostenlose Testversion verfügbar
• Pay-as-you-go- und monatliche Abonnementoptionen
• Angepasste Unternehmenspreise verfügbar

Vorteile: Branchenführende Werkzeuge und Zuverlässigkeit für großvolumiges, komplexes Schaben.
Nachteil: Einige Instruments wirken für Anfänger möglicherweise fortgeschritten.

Oxylabs

Oxylabs bietet KI-gestützte Skalierbarkeit mit einer umfassenden Suite von Proxy- und Scraping-Instruments. Ihre umfangreiche Auswahl an Proxys für Privathaushalte, Rechenzentren und Mobilgeräte wird durch fortschrittliche API-Optionen und Automatisierungstools ergänzt, die effizientes, KI-integriertes Scraping für alle Benutzer zugänglich machen.

Hauptanwendungsfall: Preferrred für Unternehmen und Forscher, die sowohl kleines als auch großes Scraping mit KI- und maschinellen Lernanforderungen verwalten.

Prime-Options:

• Datenerfassungs- und Proxy-Rotationsplattform aus einer Hand.
• OxyCopilot für automatisiertes Scraping und Parsing von Anfragen über KI.
• Über 177 Millionen globale Proxys in 195 Ländern.
• Einfache Integration mit Frameworks wie Puppeteer und umfassende Sprachunterstützung.

Preise:

• Kostenlose Testversion (bis zu 2.000 Ergebnisse)
• Mikro: 49 $/Monat
• Starter: 99 $/Monat
• Fortgeschritten: 249 $/Monat

Professional: Leistungsstarke Automatisierung und Integration mit KI-gesteuerten Arbeitsabläufen.
Nachteil: Konzentriert sich auf professionelle Benutzer; Für Einzelpersonen können die Kosten hoch sein.

Infatica

Infatica bietet eine stabile, skalierbare Proxy-Infrastruktur mit Millionen von privaten, Rechenzentrums- und mobilen IPs. Sein intuitives Dashboard ermöglicht einfaches Geo-Concentrating on (Land, Stadt, ASN) und macht Infatica supreme für die Anzeigenüberprüfung, Marktforschung und mittelgroße Scraping-Operationen.

Hauptanwendungsfall: Intestine geeignet für mittelgroße Agenturen und Forscher, die sich auf Anzeigenüberprüfung, einfaches Crawling und gezielte Internet-Datenbeschaffung konzentrieren.

Prime-Options:

• Zuverlässiger Pool von über 10 Millionen verschiedenen IPs mit flexiblem Concentrating on.
• Rotierende IP-Optionen, um Blockaden zu vermeiden und die Scraping-Kontinuität aufrechtzuerhalten.
• DSGVO-konforme Plattform mit Datenschutztransparenz.
• Einfaches, benutzerfreundliches Dashboard für einfache Einrichtung und Verwaltung.

Preise:

• Ab 96 $/Monat für Privat-Proxys
• Abgestufte Monatspläne für unterschiedliche Benutzeranforderungen
• Kostenlose Testversion verfügbar

Vorteile: Erschwingliche, stabile Plattform mit guter Ausrichtung für allgemeine Scraping-Anforderungen.
Nachteile: Kleinerer Proxy-Pool und weniger fortschrittlicher Anti-Bot-Schutz für anspruchsvolles Scraping.

NetNut

NetNut zeichnet sich durch direkte Konnektivität zum ISP und einen Fokus auf schnelle, stabile Privat-Proxys aus. Es ist für kontinuierliches, lang andauerndes Scraping in großem Maßstab konzipiert und verfügt über Datenschutzpraktiken auf Unternehmensniveau und eine einfache API-basierte Verwaltung.

Hauptanwendungsfall: Perfekt für Unternehmen, die schnelle, ständig aktive Proxys für Echtzeit-Datenüberwachung und Inhaltsaggregation benötigen.

Prime-Options:

• Über 1 Million Privat-/ISP-IPs mit Verbindungen mit geringer Latenz.
• Direkte Aggregation reduziert Fehlerraten und verbessert die Geschwindigkeit.
• Hoher Datenschutz dank Netzwerkkontrolle auf ISP-Ebene.
• Einfache API und Verwaltungsschnittstelle für schnelle Bereitstellung.

Preise:

• Ab ca. 350 $/Monat, volumenbasierte Pläne
• Individuelle Preise für den Einsatz in Unternehmen und im großen Maßstab

Vorteile: Hohe Stabilität und Geschwindigkeit, supreme für kontinuierliches, großflächiges Schaben.
Nachteil: Kleinere Netzwerkgröße; weniger erweiterte Anti-Bot-Funktionen.

Anbieter	Netzwerkgröße und -typen	Geo-Concentrating on	Anti-Bot-Funktionen	Compliance und Ethik	Administration-Instruments	Preise	Unterstützung	Am besten für
Helle Daten	72 Mio.+ Privatkunden, Mobilgeräte, DC, ISP	Stadt/ASN/Land	CAPTCHA-Löser, Rotation, Sitzungssteuerung	Führend, clear, geprüft	Erweiterter Proxy-Supervisor und API	Pay-as-you-go und Abonnements; Prämie	Stay-Chat und E-Mail rund um die Uhr	Unternehmen, fortschrittliches, Compliance-gesteuertes Scraping
Oxylabs	Millionen Wohngebiete, DC, Mobil	Land / Stadt	Gute CAPTCHA-Unterstützung, dedizierter Pool	Stark, DSGVO-konform	API, Dashboard	Monatspläne; Preisgestaltung für Unternehmen	24/7-Assist, Account Supervisor	KI/ML, Geschäftsdaten, Unternehmen
Infatica	10 Mio.+ Wohngebäude, Rechenzentren, Mobilgeräte	Land/Stadt/ASN	Eingebaute Rotation, grundlegender Anti-Bot	DSGVO-konform, datenschutzbewusst	Benutzerfreundliches Dashboard	Wettbewerbsfähige Monatspläne	E-Mail/Assist zu den üblichen Geschäftszeiten	Anzeigenüberprüfung, Marktforschung, mittleres Niveau
NetNut	1 Mio.+ Privatkunden, ISP	Land, begrenzte Stadt	Etwas Rotation, schnelle direkte IPs	Starker ISP-Datenschutz	API, einfache Steuerung	Volumenbasierte Pläne; kostengünstig	E-Mail, engagierter Supervisor auf Anfrage	Langanhaltend, stabil schabend, geschwindigkeitsorientiert

Abschluss

Für groß angelegtes Internet Scraping im Jahr 2026, Helle Daten zeichnet sich durch weltweit führende Proxy-Vielfalt, transparente Compliance und revolutionary Managementfunktionen aus. Während Alternativen wie Oxylabs und Infatica einen Mehrwert bieten, ist Brilliant Information die beste Lösung für Unternehmen, die Zuverlässigkeit, globale Reichweite und eine zukunftssichere Infrastruktur fordern.

Anthropic berichtete am Donnerstag, dass chinesische Hacker seinen KI-Chatbot Claude für die seiner Meinung nach erste Cyberspionageoperation nutzten, die überwiegend mithilfe künstlicher Intelligenz durchgeführt wurde.

Das Unternehmen gab an, dass Cyberkriminelle Claude damit beauftragt hätten, etwa 30 Technologieunternehmen, Finanzinstitute, Chemiehersteller und Regierungsbehörden anzugreifen. Hacker nutzten die KI-Plattform, um Benutzernamen und Passwörter aus Unternehmensdatenbanken zu sammeln und diese Anmeldeinformationen anschließend auszunutzen, um non-public Daten zu stehlen. Eine „kleine Anzahl“ dieser Angriffe sei erfolgreich gewesen, stellte Anthropic fest.

„Wir glauben, dass dies der erste dokumentierte Fall eines groß angelegten Cyberangriffs ist, der ohne wesentliches menschliches Eingreifen durchgeführt wurde“, sagte Anthropic.

Das Wall Road Journal berichtete erstmals über diese Entwicklung. Anthropic stellte ab Mitte September verdächtige Aktivitäten fest. Eine Untersuchung brachte die Aktivität mit einer Spionagekampagne in Verbindung, die wahrscheinlich von einer staatlich geförderten chinesischen Gruppe durchgeführt wurde. Die Untersuchung ergab, dass Hacker Claude getäuscht hatten und glaubten, es handele sich um einen legitimen Mitarbeiter einer Cybersicherheitsfirma, der Abwehrtests durchführte. Cyberkriminelle haben den Angriff auch in kleine Aufgaben zerlegt, um ihre Aktionen zu verschleiern.

Die Operation erforderte nur minimales menschliches Eingreifen. „Die KI stellte Tausende von Anfragen professional Sekunde, eine Angriffsgeschwindigkeit, die für menschliche Hacker einfach unmöglich gewesen wäre“, erklärte Anthropic.

Anthropic geht davon aus, dass das Ausmaß und die Komplexität von KI-Cyberangriffen zunehmen werden, da KI-Agenten immer häufiger eingesetzt werden.

---

Hervorgehobener Bildnachweis

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.

Seit der Verleihung der ersten Nobelpreise im Jahr 1901 ist die letzte Zeit des Jahres zu einer aufregenden Zeit geworden, um bemerkenswerte Persönlichkeiten und ihre Beiträge in verschiedenen Bereichen kennenzulernen.

Diese Nobelsaison conflict besonders faszinierend – und etwas kontrovers – aufgrund der besonderen Anerkennung, die den Fortschritten in der KI in den Kategorien Physik und Chemie zuteil wird.

Die diesjährigen Auszeichnungen heben das enorme Potenzial der KI hervor und werfen drängende Fragen über die Natur wissenschaftlicher Disziplinen in einer Zeit auf, in der … Computermethoden definieren traditionelle Bereiche neu.

In diesem Artikel möchten wir die Rolle der KI bei den Nobelpreisen 2024 untersuchen, die Kontroverse diskutieren, nachdem sich die Lage nun beruhigt hat, und Sie einladen, Ihre Meinung zu diesem Thema mitzuteilen!

Könnte KI eine dauerhafte Präsenz in künftigen Nobelpreiskategorien werden?

Obwohl Pc nicht wie Menschen „denken“ können, können Computeralgorithmen mittlerweile menschenähnliche Funktionen wie Gedächtnis und Lernen nachahmen.

Ein funktionierendes KI-Modell basiert auf soliden, zuverlässigen und dynamischen Datensätzen. Ohne reichhaltige und detaillierte KI-Trainingsdaten ist es sicherlich nicht möglich, eine wertvolle und erfolgreiche KI-Lösung zu entwickeln. Wir wissen, dass die Komplexität des Projekts die erforderliche Datenqualität diktiert und bestimmt. Aber wir sind uns nicht ganz sicher, wie viele Trainingsdaten wir benötigen, um das benutzerdefinierte Modell zu erstellen.

Es gibt keine eindeutige Antwort auf die Frage, was die richtige Menge an Trainingsdaten für maschinelles Lernen ist erforderlich. Anstatt mit einer ungefähren Zahl zu arbeiten, glauben wir, dass eine Reihe von Methoden Ihnen eine genaue Vorstellung von der Datenmenge geben können, die Sie möglicherweise benötigen. Aber vorher wollen wir verstehen, warum Trainingsdaten für den Erfolg Ihres KI-Projekts entscheidend sind.

Die Bedeutung von Trainingsdaten

Arvind Krishna, CEO von IBM, sagte auf dem Way forward for Every part Pageant des Wall Avenue Journals, dass quick 80 % der Arbeit in einem KI-Projekt dreht sich alles um das Sammeln, Bereinigen und Vorbereiten von Daten.‘ Und er conflict auch der Meinung, dass Unternehmen ihre KI-Vorhaben aufgeben, weil sie mit den Kosten, der Arbeit und der Zeit, die zum Sammeln wertvoller Trainingsdaten erforderlich sind, nicht mithalten können.

Ermittlung der Daten Stichprobengröße hilft bei der Entwicklung der Lösung. Es hilft auch bei der genauen Schätzung der für das Projekt erforderlichen Kosten, Zeit und Fähigkeiten.

Wenn zum Trainieren von ML-Modellen ungenaue oder unzuverlässige Datensätze verwendet werden, liefert die resultierende Anwendung keine guten Vorhersagen.

7 Faktoren, die das erforderliche Trainingsdatenvolumen bestimmen

Obwohl der Datenbedarf in Bezug auf das Volumen zum Trainieren von KI-Modellen völlig subjektiv ist und von Fall zu Fall beurteilt werden sollte, gibt es einige universelle Faktoren, die objektiven Einfluss haben. Schauen wir uns die häufigsten an.

Modell für maschinelles Lernen

Das Trainingsdatenvolumen hängt davon ab, ob das Coaching Ihres Modells mit überwachtem oder unüberwachtem Lernen durchgeführt wird. Während ersteres mehr Trainingsdaten erfordert, ist dies bei letzterem nicht der Fall.

Überwachtes Lernen

Dabei werden gekennzeichnete Daten verwendet, was wiederum das Coaching komplexer macht. Aufgaben wie die Klassifizierung oder Clusterung von Bildern erfordern Beschriftungen oder Zuordnungen, damit Maschinen sie entschlüsseln und unterscheiden können, was wiederum zu einem Bedarf an mehr Daten führt.

Unüberwachtes Lernen

Die Verwendung gekennzeichneter Daten ist beim unüberwachten Lernen nicht zwingend erforderlich, wodurch der Bedarf an riesigen Datenmengen vergleichsweise gering ist. Dennoch wäre das Datenvolumen für Modelle, die Muster erkennen, angeborene Strukturen identifizieren und korrelieren möchten, immer noch hoch.

Variabilität & Diversität

Damit ein Modell so truthful und objektiv wie möglich ist, sollte die angeborene Voreingenommenheit vollständig beseitigt werden. Dies bedeutet lediglich, dass größere Mengen unterschiedlicher Datensätze erforderlich sind. Dadurch wird sichergestellt, dass ein Modell eine Vielzahl vorhandener Wahrscheinlichkeiten lernt und einseitige Antworten vermieden werden.

Datenerweiterung und Transferlernen

Die Beschaffung hochwertiger Daten für verschiedene Anwendungsfälle in verschiedenen Branchen und Bereichen ist nicht immer reibungslos. In sensiblen Sektoren wie dem Gesundheitswesen oder dem Finanzwesen sind hochwertige Daten kaum verfügbar. In solchen Fällen ist die Datenerweiterung durch die Verwendung synthetisierter Daten der einzige Weg, um Modelle zu trainieren.

Experimentieren und Validierung

Iteratives Coaching ist der Ausgleich, bei dem das erforderliche Trainingsdatenvolumen nach konsequentem Experimentieren und Validieren der Ergebnisse berechnet wird. Durch wiederholtes Testen und Überwachen

Anhand der Modellleistung können die Beteiligten abschätzen, ob weitere Trainingsdaten zur Reaktionsoptimierung erforderlich sind.

So reduzieren Sie den Datenbedarf für das Coaching

Unabhängig davon, ob es sich um Budgetbeschränkungen, Markteinführungsfristen oder die Nichtverfügbarkeit unterschiedlicher Daten handelt, gibt es einige Optionen, mit denen Unternehmen ihre Abhängigkeit von riesigen Mengen an Trainingsdaten verringern können.

• Datenerweiterung – bei der neue Daten aus vorhandenen Datensätzen generiert oder synthetisiert werden, eignet sich perfect als Trainingsdaten. Diese Daten stammen von übergeordneten Daten und ahmen diese nach, die zu 100 % aus echten Daten bestehen.
• Transferlernen – dabei werden die Parameter eines vorhandenen Modells geändert, um eine neue Aufgabe auszuführen. Wenn Ihr Modell beispielsweise gelernt hat, Äpfel zu erkennen, können Sie dasselbe Modell verwenden und seine vorhandenen Trainingsparameter ändern, um auch Orangen zu erkennen.
• Vorab trainierte Modelle – bei denen vorhandenes Wissen als Weisheit für Ihr neues Projekt genutzt werden kann. Dies könnte ResNet für Aufgaben im Zusammenhang mit der Bilderkennung oder BERT für NLP-Anwendungsfälle sein.

3 – Beispiele aus der Praxis für Machine-Studying-Projekte mit minimalen Datensätzen

Es magazine unmöglich klingen, dass einige ehrgeizige Machine-Studying-Projekte mit minimalen Rohstoffen durchgeführt werden können, aber in manchen Fällen ist es erstaunlich wahr. Lassen Sie sich überraschen.

Kaggle-Bericht	Gesundheitspflege	Klinische Onkologie
Eine Kaggle-Umfrage zeigt, dass über 70 % der Projekte zum maschinellen Lernen mit weniger als 10.000 Beispielen abgeschlossen wurden.	Mit nur 500 Bildern trainierte ein MIT-Staff ein Modell, um diabetische Neuropathie in medizinischen Bildern aus Augenscans zu erkennen.	Um das Beispiel aus dem Gesundheitswesen fortzusetzen: Einem Staff der Stanford College gelang es, mit nur 1.000 Bildern ein Modell zur Erkennung von Hautkrebs zu entwickeln.

Fundierte Vermutungen anstellen

Für die erforderliche Mindestdatenmenge gibt es keine magische Zahl, aber einige Faustregeln helfen Ihnen dabei, eine vernünftige Zahl zu ermitteln.

Die 10er-Regel

Als FaustregelUm ein effizientes KI-Modell zu entwickeln, sollte die Anzahl der erforderlichen Trainingsdatensätze zehnmal größer sein als jeder Modellparameter, auch Freiheitsgrade genannt. Die „10“-Regel zielt darauf ab, die Variabilität zu begrenzen und die Vielfalt der Daten zu erhöhen. Diese Faustregel kann Ihnen daher beim Begin Ihres Projekts helfen, indem sie Ihnen eine grundlegende Vorstellung von der erforderlichen Menge an Datensätzen gibt.

Tiefes Lernen

Deep-Studying-Methoden helfen bei der Entwicklung hochwertiger Modelle, wenn dem System mehr Daten zur Verfügung gestellt werden. Es ist allgemein anerkannt, dass 5000 beschriftete Bilder professional Kategorie ausreichen sollten, um einen Deep-Studying-Algorithmus zu erstellen, der auf Augenhöhe mit Menschen arbeiten kann. Um außergewöhnlich komplexe Modelle zu entwickeln, sind mindestens 10 Millionen beschriftete Elemente erforderlich.

Pc Imaginative and prescient

Wenn Sie Deep Studying zur Bildklassifizierung verwenden, besteht Einigkeit darüber, dass ein Datensatz mit 1.000 beschrifteten Bildern für jede Klasse eine angemessene Zahl ist.

Lernkurven

Lernkurven werden verwendet, um die Leistung des maschinellen Lernalgorithmus im Verhältnis zur Datenmenge zu demonstrieren. Indem man die Modellfähigkeit auf der Y-Achse und den Trainingsdatensatz auf der X-Achse hat, ist es möglich zu verstehen, wie sich die Datengröße auf das Ergebnis des Projekts auswirkt.