H2O 提出 GPU 加速機器學習技術,協助企業進行轉型

作者 Vinod Iyengar

機器學習與深度學習將改變企業制定決策的方式,在金融服務、保險、醫療和電信等產業裡尤為如此,這些產業裡的企業紛紛將以規則為主的系統汰換成以人工智慧為基礎的應用項目。

舉例來說,銀行採用以人工智慧為基礎的洗錢防治解決方案,以提高正確率和降低假陽性的誤報場合;以更高的正確率,迅速找出詐欺行為;且以近乎即時的速度,將量身打造的產品建議事項提供給客戶。

推出 H2O GPU Edition 的 H2O.ai,想要在 GPU 上打造最快速的人工智慧平台。多年來GPU 的執行效能出現大幅增長,深度學習受其推波助瀾之效。如今高效率且精密的平行處理技術及 GPU 的高生產能力,也加惠了許多機器學習演算法。

重點是,比起在 CPU 上的執行時間,GPUs 大幅提高了完成訓練和推斷作業的速度,在效能方面的增長程度呈現鮮明的對比。

我們見到將 H2O GPU Edition 搭配一具 GPU,以及將兩具 CPU 用於處理資料科學家愛用之機器學習技術之一的「梯度提升決策樹」(GBM),在處理速度方面的比較,H2O GPU Edition 搭配一具 GPU 這一組的速度高出至少10倍;而用於熱門又廣泛使用,且具高度可解譯性的機器學習技術「廣義線性模型」(GLM)上,處理速度也高出約5倍。

NVIDIA GPU 使得機器學習領域出現重大突破,有著更多機會去訓練更多模型、更龐大的模型及更複雜的模型 – 都在更短暫的時間內完成。

如此一來便可靠著多張 GPU 繪圖卡和多個節點來縮短疊代循環週期,以及調整在組織裡提供人工智慧技術的規模。企業可藉由這項端對端的解決方案,以操作大型資料集、加快疊代循環,迅速進行部署及即時取得洞察資訊。

對企業來說,好處是在用以建立單一模型的相同時間量裡,便可建立數千個模型;而對於其極為珍貴稀罕的資料科學資源而言更是一大助力,足以解決更多問題。

資料科學家可嘗試進行數千種實驗和疊代作業,以找出更精確的模型來解決其重大商業問題。逾萬個組織和近十萬名資料科學家已靠著 H2O 進行重大應用項目,像是預測性維護和營運智慧,也讓資料中心能大幅對運算設備的體積進行最佳化調整。

H2O GPU edition 具備 GPU 加速及 H2O 執行數學優化的優點,在空間上將人工智慧的效能提升到無與倫比的程度。

在 NVIDIA 應用解決方案工程部門總監 Joshua Patterson 與 H2O.ai 技術長 Arno Candel 主持的隨選網路研討會裡,介紹了企業能如何利用這項轉型技術,藉由機器學習迅速進行創新活動。

我們也將出席6月27-29日於紐約舉行的 O’Reilly 人工智慧大會(展位編號#19),其間將展出 H2O.ai 的機器學習演算法將怎麼協助你迅速獲悉產業洞察資訊,讓你建立和部署已能投入正式生產環境,且已在 NVIDIA GPU 運算平台上完成優化和加速的可解譯模型。