XiaoMi-AI文件搜索系统
World File Search SystemWorkloads
物联网镜头 - 一个物联网工作负载的完善框架
•IOT规则引擎：根据创建的规则将数据路由到AWS服务。AWS IOT规则进行分析，并根据主题触发操作。•基本摄入：将设备数据安全地发送到AWS IoT规则操作支持的AWS服务。这通过从摄入路径中删除发布/订阅消息代理来优化数据流量并降低成本。•AWS IOT Greengrass：由于它也具有边缘代理，因此可以无缝地进行边缘代理和云之间的数据传输以及部署到边缘。它可以将数据发送到不同的AWS服务，例如S3，FireHose，IoT SiteWise，IoT Analytics等。•AWS IOT网站：托管服务，有助于按大规模收集，组织和分析工业设备数据。它可用于监视操作，计算性能指标并创建分析工业设备数据的应用程序。•AWS IoT Weletwise：收集，组织和将车辆数据传输到云的托管服务。它可以帮助您获得有关车辆平流的见解，并将其用于诊断，警报和采取实时操作。•AWS IoT Roborunner：提供集中存储，以存储不同机器人供应商系统的数据。可以使用它来可视化机器人位置和单个地图视图上的状态。•Amazon Kinesis：是用于流数据的托管服务，有助于从IoT设备获得见解，并且可以与IoT规则引擎集成。它允许将设备无缝集成到支持非MQTT协议的应用程序。它还有助于将通信层与应用程序层分解。•Amazon简单队列服务（SQS）：当IoT应用程序需要一个不需要消息订单的队列时，提供了事件驱动的，可扩展的摄入队列。
使用Zscaler Cloud Connector的GCP工作负载的零信任安全性|参考体系结构
理想情况下，组织的安全策略应奠定其网络设计的基础。与设备的连接性是作为安全策略的产物而不是相反的。这是Zscaler Zero Trust Exchange（ZTE）模型的核心。必须在连接该服务之前授权用户。即使知道应用程序的主机名及其提供的服务也不会给攻击者提供任何信息，因为在用户身份验证之前，该服务将无法解决。您的应用程序有效地隐藏在Internet和彼此中，直到您定义策略以允许访问。
加速集装机器学习工作负载
摘要 - 为了促进各种机器学习（ML）培训和推理任务，企业倾向于建立大型且昂贵的集群，并在不同的团队中共享各种ML工作负载。虚拟化平台（集装箱/VM）和调度程序通常被部署，以允许访问，管理异质资源并在这些群集中安排ML作业。但是，为不同的ML工作分配资源预算以实现最佳性能和集群资源效率仍然是一个重大挑战。这项工作建议N Earchus加速分布式ML培训，同时通过使用自适应资源分配来确保高资源效率。n earchus自动确定跑步工作的潜在性能瓶颈，并重新分配资源，以提供高资源效率的优化运行时性能。n earchus的资源配置可显着提高个人工作的培训速度，最高71.4％–129.1％，对最先进的资源调度程序，并将工作完成和排队时间分别提高了35.6％和67.8％。索引术语 - 机器学习，云计算，资源虚拟化和管理
参考架构：联想 ThinkSystem 和 ThinkAgile 平台上的企业 AI/ML 工作负载
1 简介................................................................................................................................ 4 1.1 企业 AI ................................................................................................................................ 4 2 商业问题与商业价值 .......................................................................................................... 5 2.1 商业问题 ................................................................................................................................ 5
利用英特尔® AMX 和英特尔® TME 解决方案设计简介加速 AI 推理工作负载并提高 Azure Stack HCI 上的安全性
处理器 QS 预生产版（40 核，2.0 GHz）、1 个英特尔® 服务器主板（QuantaGrid D54Q-2U）、总内存：512 GB（16x 32 GB 4800 MHz DDR5 DIMM）、英特尔® 超线程技术 = 开启、英特尔® 睿频加速技术 = 开启、BIOS = SE5C741.86B.01.01.0002.2212220608、微码 = 0x2b0001b0 存储（启动）：1 个 Solidigm DC S4610（960 GB）、存储：6 个 Solidigm D7-P5510 系列（3.84 TB）、网络设备：1 个 25 GbE 英特尔® 以太网网络适配器 E810-XXV-4 @ 25 GbE、1 个 10 GbE 英特尔® 以太网融合网络适配器 X550-T2 @ 1 GbE、操作系统/软件：带有 Ubuntu Server 2022 的 Microsoft Azure Stack HCI 版本 20385。
克服 HPC 挑战以优化工作负载
这些复杂的高性能环境需要强大的集群管理工具来管理 HPC 硬件、软件和消耗。例如，在 AI 训练中，您可以从性能和成本的角度测试各种解决方案。市场瞬息万变，因此您必须保持敏捷才能不断优化。这就是为什么组织与了解当前市场状况及其发展方式的合作伙伴合作如此重要。这可以帮助您更好地将您的部署与未来技术相结合，从而实现更大的性能提升和不断变化的成本结构。任何技术解决方案都必须考虑各种形式的风险，尤其是财务风险。HPC 计算可能是一项昂贵的投资。组织需要严格管理前期投资，而不会限制 HPC 的能力和功率。
对深度学习工作负载的新型 AI 加速器的全面评估
摘要 — 科学应用越来越多地采用人工智能 (AI) 技术来推动科学发展。高性能计算中心正在评估新兴的新型硬件加速器，以有效运行 AI 驱动的科学应用。由于这些系统的硬件架构和软件堆栈种类繁多，因此很难理解这些加速器的性能。深度学习工作负载评估的最新进展主要集中在 CPU 和 GPU 上。在本文中，我们概述了 SambaNova、Cerebras、Graphcore 和 Groq 的基于数据流的新型 AI 加速器。我们首次对这些加速器进行了评估，评估内容包括深度学习 (DL) 原语、基准模型和科学机器学习应用程序等多种工作负载。我们还评估了集体通信的性能，这对于分布式 DL 实现至关重要，同时还研究了扩展效率。然后，我们讨论将这些新型 AI 加速器集成到超级计算系统中的关键见解、挑战和机遇。
使用 Ray 轻松扩展 AI 和 Python 工作负载
“在 Shopify，我们的数据和计算需求每年都在呈指数级增长，而我们以前的工具却难以跟上。我们选择 Ray 来支持我们的机器学习平台，事实证明，它对我们加速和扩展整个 ML 生命周期的能力至关重要。Ray 的简单、Pythonic API 和丰富的库生态系统，加上其开放且可扩展的设计，使我们的工程师和数据科学家能够更轻松、更快地为全球 170 多万商家创造价值。”
Dell Technologies 和 IonQ：为当今的关键工作负载及其他工作负载提供混合量子/经典解决方案
高性能计算机 (HPC) 用户受益于数十年来 HPC 性能的持续显著提升，以满足他们最复杂的计算需求，包括传统建模和仿真工作、大数据分析以及最近的高级 AI 问题（包括机器学习和深度学习）。然而，由于 HPC 系统成本上升、芯片和系统级电源和冷却要求越来越严格、半导体逻辑和内存设计和生产越来越复杂，以及管理越来越多不同类型的工作负载所需的 HPC 架构越来越复杂，这些因素限制了该领域的持续性能提升。为此，HPC 供应商和最终用户都在积极探索新技术，以帮助他们满足当前和预计的计算需求，其中许多技术都集中在前景光明但尚处于起步阶段的量子计算领域。