XiaoMi-AI文件搜索系统
World File Search SystemMLOPS
红色帽子OpenShift AI自我管理2.17
模型注册表是人工智能/机器学习（AI/ML）模型的生命周期中的重要组成部分，也是任何机器学习操作（MLOPS）平台或ML工作流的重要组成部分。模型注册表充当中央存储库，从成立到部署中持有与机器学习模型相关的元数据。此元数据范围从高级信息（例如部署环境和项目起源）到复杂的细节，例如培训超参数，性能指标和部署事件。模型注册表充当模型实验和服务之间的桥梁，为ML生命周期的利益相关者提供安全的协作元数据商店界面。
Red Hat OpenShift AI
Red Hat OpenShift AI 是一个灵活的 MLOps 平台，可帮助联邦机构标准化和简化将机器学习引入其应用程序的流程。该解决方案建立在 Red Hat Enterprise Linux 和 OpenShift 的安全基础上，为大规模开发和部署机器学习模型提供了强大且值得信赖的环境。通过利用 OpenShift 作为基础混合云平台，OpenShift AI 可在任何基础架构中提供一致的体验，使机构能够轻松灵活地部署智能功能。该平台丰富的合作伙伴生态系统可确保与第三方工具的无缝集成，简化 AI 技术的采用，并为数据科学家提供最佳工具来完成工作。
自动化机器学习以扩大 AI 成功
技术规格 Dell VxRail 超融合基础架构和带有 PowerSwitch 网络的 PowerScale 存储为该解决方案提供了硬件基础。VxRail 是经过 NVIDIA 认证的系统，可通过 NVIDIA GPU 加速。带有 VMware Tanzu 的 VMware vSphere 虚拟化可提供容器的可预测性和安全性。NVIDIA AI Enterprise Suite 提供了一套云原生数据科学工具和框架。英特尔的 cnvrg.io 软件简化了 MLOps。H2O.ai AutoML 可自动进行算法选择、特征生成、超参数调整、迭代建模和模型评估。所有工程验证、测试和调整都经过协同工作，这种经过验证的 AI 设计简化了 AI，通过经过验证的 AI 专业知识更快地提供洞察。
增强生命科学中的AI见解和模型生产
AI在生命科学中的大规模AI带来了有关各种业务功能中产品和流程的数据保护和GXP法规的许多法规和法律挑战。我们通过使用Dataiku来管理和记录模型开发，部署和操作的每个步骤来帮助您为动态调节环境准备AI程序。Dataiku使用的商业用例包括改善与销售，医疗保健提供者和患者的全渠道参与度。dataiku的平台也用于基于时间序列的预测，以帮助供应链和制造用例。Deloitte对生命科学和制药行业监管环境有深刻的了解，并凭借我们在AI风险管理方面的技术卓越和联盟的生态系统，我们帮助您实现治理，合规性和MLOPS，以推动自动化和工业化流程。
探索生成式人工智能价值链中的机会
对于开源模型（提供任何人都可以自由使用和修改的代码），独立的模型中心正在涌现，以提供一系列服务。有些可能仅充当模型聚合器，为 AI 团队提供对不同基础模型的访问权限，包括由其他开发人员定制的模型。然后，AI 团队可以将模型下载到他们的服务器，并在他们的应用程序中对其进行微调和部署。其他公司，例如 Hugging Face 和 Amazon Web Services，可能会提供对模型和端到端 MLOps 功能的访问权限，包括使用专有数据调整基础模型并将其部署在其应用程序中的专业知识。后一种模式填补了渴望利用生成式 AI 技术但缺乏内部人才和基础设施的公司日益增长的空白。
AI-602 - 大语言模型系统
课程描述本课程为人工智能（AI）开发提供了实用的，以行业为中心的旅程，从基础概念到为现实世界应用部署大型语言模型（LLM）。学生将通过自然语言处理和多模式AI进行动手实验室和案例研究，探索必不可少的AI生命周期阶段，包括业务问题，AI解决方案配方，模型培训，部署和评估。强调框架和工具，例如Docker，Kubernetes和MLOPS实践，该课程使学生准备设计可扩展的AI解决方案，同时解决道德考虑并优化模型性能。在课程结束时，学生将对AI系统体系结构，LLM的实践经验和职业准备技能有全面的了解，最终在一个顶峰项目中表明了他们创建与业务目标一致的影响力AI解决方案的能力。
大规模人工智能工作负载
结论云原生技术的基础是 Kubernetes，部署、维护和升级可能很复杂。将 GPU 添加到组合中可能会带来另一层复杂性。但是，借助 Supermicro AS-1114S-WTRT WIO 系统、NVIDIA GPU 设备和 NVIDIA DeepOps 工具，组织可以更直接地构建私有云原生平台以及 MLOps 应用程序。从设计角度来看，AS-1114S-WTRT 作为灵活的云节点，可以满足硬件基础设施的计算、存储和虚拟化要求；从运营角度来看，DeepOps 使本地云原生平台更易于部署、维护和扩展。本文还展示了 Kubernetes POD 如何加速深度学习过程，从而缩短上市时间。参考 https://docs.nvidia.com/datacenter/cloud-native/index.html https://www.kubeflow.org/docs/started/kubeflow-overview/ AMD、AMD 箭头徽标、EPYC 及其组合是 Advanced Micro Devices, Inc. 的商标。
石油信息技术杂志 - www.OilIT.com
在法国 CRIP* 组织最近的一次会议上，Jean-Baptiste Richard 和 Olivier Tran 介绍了道达尔的“阿波罗”项目，这是 DevOps 和向公共云重大转变的融合。阿波罗项目由道达尔的全球 IT 服务部门管理，该部门是集团的“解决方案制造商”。道达尔目前在本地数据中心运行着大约 2,000 个传统应用程序。道达尔的路线图设想对产品组合进行合理化，并利用“多云”方法对选定的应用程序进行“提升和转移”。对于“战略性差异化”应用程序，阿波罗项目将为云端自主开发提供一个框架。阿波罗的核心是 DevOps，它既是一种“IT 文化，也是一种心态”，IT 与企业携手合作，共享目标，并提供持续的应用程序交付和自动化 IT 配置。反过来，DevOps 利用了“敏捷”开发，这是一种涵盖数据科学、开发和网络安全的迭代方法。“MLOps”（机器学习）也运行起来了。
在未来网络中操作AI/ML
摘要 - 在过去的十年中，由机器学习（ML）领导的现代人工智能（AI）技术已经获得了前所未有的Momentum。随着“ AI夏季”的浪潮，网络研究社区还接受了AI/ML算法，以解决与网络操作和管理有关的许多问题。但是，与其他域中的对应物相比，由于生产环境的成熟度不足，因此大多数基于ML的解决方案尚未获得大规模部署。本文集中于实际网络中基于ML的解决方案的实际问题。具体来说，我们列举了阻碍实际网络中AI/ML整体的关键因素，并审查现有的解决方案以发现缺失的考虑因素。此外，我们强调了一个有希望的方向，即机器学习操作（MLOP），可以缩小差距。我们认为，本文介绍了有关实施和维护基于ML的解决方案的系统与系统相关的注意事项，并在将来的网络中充分采用了它们。
释放人工智能：人工智能军备竞赛
生成式人工智能的第一波潜在机会集中在技术价值堆栈上，如图 5 所示。从历史上看，硅层一直是技术价值堆栈中几乎所有技术转变的事实基础，而生成式人工智能预计将推动计算（即处理能力）、网络和内存芯片的显着增长。然而，当我们审视整个技术价值堆栈时，我们会在每个层中看到机会。在基础设施和平台层，我们看到超大规模企业/云提供商正在竞相构建支持生成式人工智能应用程序和服务的底层基础设施，但随着时间的推移，我们预计会看到更高或更多的差异化。当谈到模型和机器学习操作 (MLOps) 时，开源社区很可能成为创新的关键驱动力。进一步向上看，我们相信几乎所有软件公司都会以某种形式受到生成式人工智能的影响，而公司特定的执行将至关重要。最后，我们认为生成式人工智能代表了服务层正在进行的人工智能/自动化计划向前迈出的一步。