NVIDIA s'allie à VMware pour transformer l'économie de l'IA

En augmentant les taux d'utilisation des GPU, le coût de création et de déploiement des applications d'IA diminuera considérablement.

Lors de la conférence VMworld 2019 aujourd'hui, NVIDIA et VMware ont annoncé qu'ils rendraient désormais possible le déploiement de machines virtuelles VMware sur des processeurs graphiques (GPU).

Dans le cadre de cette initiative, NVIDIA a annoncé que son logiciel GPU virtuel (vGPU) peut désormais être déployé sur des machines virtuelles sur des serveurs en plus du support existant pour les systèmes clients. Le logiciel NVIDIA Virtual Compute Server (vComputeServer) pour GPU est également étendu pour ajouter la prise en charge des plates-formes VMware vSphere. NVIDIA s'est également engagé à rendre son hub d'accès aux outils de création d'applications d'intelligence artificielle (IA) disponible sur les plates-formes VMware.

Voir aussi : Quels sont les 3 éléments clés de la préparation à l'intelligence artificielle ?

En utilisant ces technologies NVIDIA, VMware s'est engagé à mettre à disposition un service cloud composé d'instances bare metal Amazon EC2 accélérées par des GPU NVIDIA T4 exécutant le logiciel vComputeServer sur VMware Cloud on AWS.

Collectivement, ces avancées ont non seulement des implications significatives pour l'amélioration de l'utilisation du GPU, mais elles permettent également aux scientifiques des données d'agréger plusieurs charges de travail sur des GPU exécutés sur des serveurs VMware résidant sur site ou dans le cloud, déclare John Fanelli, vice-président produit pour NVIDIAGrid.

Alors que l'intérêt pour l'utilisation de GPU pour créer des applications d'intelligence artificielle (IA) a été massif, le coût de création de ces applications a souvent été prohibitif. En l'absence de machine virtuelle, chaque GPU était auparavant dédié à l'exécution d'une charge de travail à la fois. En augmentant les taux d'utilisation des GPU, le coût de création et de déploiement des applications d'IA diminuera considérablement, déclare Fanelli.

C'est essentiel, car ces coûts ont empêché les organisations d'investir davantage dans des applications d'IA qui ont le potentiel de transformer presque un aspect de l'existence humaine.

"L'IA est la technologie la plus puissante de notre époque", déclare Fanelli.

Cependant, les performances de ces charges de travail d'IA exécutées sur des machines virtuelles varieront en fonction de leurs attributs individuels, déclare Fanelli. De nombreux développeurs pourront compenser les problèmes de performances en tirant parti d'une boîte à outils NVIDIA CUDA pour exécuter des charges de travail d'IA en parallèle, a noté Fanelli.

À mesure qu'il devient plus abordable de créer et de déployer efficacement des applications d'IA, le nombre de projets d'IA qui seront lancés dans les mois à venir devrait augmenter. Pour accélérer ce processus, VMware a également déclaré que les clients pourront migrer les charges de travail des instances GPU exécutées dans les centres de données locaux vers le cloud à l'aide des outils VMware HCX qui automatisent le mouvement des machines virtuelles et accélèrent le transfert de données entre les plates-formes.

Les GPU accessibles principalement dans le cloud sont devenus la plate-forme préférée pour la formation des modèles d'IA en raison de l'efficacité avec laquelle les GPU gèrent la mémoire et la surcharge d'E/S. NVIDIA, cependant, a plaidé avec un succès mitigé pour s'appuyer également sur les GPU pour exécuter les moteurs d'inférence nécessaires pour exécuter ces modèles d'IA à la place des serveurs x86. En ajoutant la prise en charge des machines virtuelles de serveur à son logiciel, il devrait devenir beaucoup plus faisable d'exécuter plusieurs moteurs d'inférence sur la même plate-forme GPU de la même manière que les moteurs d'inférence sont déployés sur les plates-formes x86.

Bien sûr, avoir accès à des ressources d'infrastructure supplémentaires ne garantit pas nécessairement le succès de l'IA. Cependant, ces ressources contribueront grandement à réduire le coût des erreurs lors du processus de développement de l'IA.