Périphériques technologiques
IA
Combler le fossé : transformer le centre de données pour l'ère de l'intelligence artificielle
Combler le fossé : transformer le centre de données pour l'ère de l'intelligence artificielle
Les centres de données modernes, quelle que soit leur taille, doivent repenser les stratégies de gestion de l'énergie et de sauvegarde, qui constituent un élément essentiel de la stratégie d'innovation.
L'ère de l'intelligence artificielle va complètement changer le statu quo des centres de données. Les entreprises de tous types explorent activement comment utiliser la technologie de l’IA générative. Cela les oblige à disposer d’installations de centres de données plus avancées, plus sécurisées et plus efficaces.
Les hyperscales constituent le groupe d'utilisateurs idéal pour les centres de données modernes. Ils disposent des ressources et des capacités nécessaires pour trouver de nouvelles opportunités et exploiter les technologies les plus avancées pour construire de nouvelles infrastructures.
Pourtant, les entreprises ne doivent pas se limiter à répondre à moins de besoins. Les centres de données plus petits peuvent être transformés pour l'ère de l'IA en intégrant la bonne technologie pour optimiser l'utilisation de l'immobilier. Cela nécessite un examen attentif d'aspects tels que l'infrastructure informatique qui alimente les applications d'IA, les nouvelles approches en matière de configuration des racks, les technologies de refroidissement et le stockage des données.
Cela signifie également réfléchir stratégiquement aux systèmes de secours électrique des centres de données afin de garantir une stratégie énergétique équilibrée pour la rénovation des friches industrielles. Chaque élément de données nécessite une alimentation de secours, mais votre équipement électrique existant prend probablement de la place et n'ajoute pas un centime de revenus. Les nouvelles innovations technologiques telles que les batteries nickel-zinc (NiZn) fournissent une alimentation de secours à plus haute densité, augmentant potentiellement la capacité de sauvegarde tout en libérant un espace au sol précieux pour une productivité accrue.
Alimentation de sauvegarde centralisée ou distribuée
Pour comprendre l'importance des changements d'échelle, jetez un œil aux données suivantes. McKinsey prédit que la demande en centres de données augmentera de 10 % par an d'ici 2030. D’ici là, la demande du seul marché américain atteindra 35 GW.
La situation actuelle montre que la demande des clients des centres de données a dépassé la capacité de charge du centre de données. Pour les grandes entreprises qui construisent de nouveaux centres de données ou les modernisent, l’augmentation de la densité est une solution pour fournir plus de puissance de calcul par pied carré. Il n'est donc pas surprenant que même les principaux fournisseurs de services cloud commencent à se concentrer sur la quantité d'espace occupée par les systèmes d'alimentation de secours.
Normalement, les centres de données sont équipés de systèmes de secours centralisés avec alimentation sans interruption (UPS). Dans les applications à grande échelle, les utilisateurs se tournent de plus en plus vers des systèmes de sauvegarde distribués, tels que les unités de sauvegarde sur batterie (BBU) pour rack de serveur.
Des organisations à but non lucratif comme l'Open Compute Project font pression pour de nouvelles normes utilisant des méthodes d'alimentation de secours distribuées. Bien que cette approche offre plusieurs avantages dans les entreprises hyperscale, elle ne constitue pas le meilleur choix pour les installations ou les entreprises de colocation. En effet, l'installation de colocation devrait s'adapter à une variété de configurations de locataires différentes, ce qui la rendrait peu pratique à mettre en œuvre. Dans le même temps, pour les charges de travail au niveau de l’entreprise, une approche décentralisée peut s’avérer excessive.
Il existe également une alimentation de secours à l'intérieur du serveur pour garantir que le serveur s'arrête normalement en cas de panne de courant.
Ces systèmes de sauvegarde peuvent ou non se compléter. La clé est de trouver la bonne combinaison pour garantir que les charges de travail d’IA gourmandes en énergie puissent continuer à s’exécuter. De nombreuses rénovations de centres de données modernes impliquent une infrastructure modulaire, donnant aux installations existantes la flexibilité d'ajouter l'équipement nécessaire de manière itérative et avec un espace limité.
Éloignez-vous du plomb-acide
Malheureusement, les batteries au plomb qui alimentent les centres de données depuis des décennies sont inefficaces et occupent un espace précieux. Ils ont également une plage de températures de fonctionnement limitée et nécessitent plus d'espace pour la technologie de refroidissement.
Les batteries au plomb sont relativement bon marché au départ, mais une technologie de batterie plus moderne vaut l'investissement. Les batteries lithium-ion sont sur le marché depuis moins d’une décennie, mais elles ont déjà conquis une part importante du marché dans la construction de nouveaux centres de données. Elles sont plus efficaces, occupent donc moins de place au sol et n'ont pas besoin d'être remplacées aussi fréquemment que les batteries au plomb.
La technologie des batteries nickel-zinc n'est pas aussi instable que les batteries au plomb et les batteries lithium-ion. En fait, elle ne présente aucun emballement thermique et peut fonctionner sur une plage de températures plus large que n’importe quelle chimie de batterie concurrente. Les batteries lithium-ion ont une densité énergétique élevée, tandis que les batteries nickel-zinc ont une densité de puissance élevée, ce qui signifie qu'elles ont un taux de décharge de puissance plus élevé. Dans un scénario de sauvegarde, lorsque le seul objectif est de maintenir la batterie en marche pendant 15 à 5 minutes ou moins, vous voulez une petite batterie capable de décharger rapidement une grande quantité d'énergie.
Compatibilité avec les équipements existants
Bien que les hyperscalers puissent repartir de zéro, les entreprises ne peuvent pas ignorer les équipements existants dans le centre de données. Avant l’introduction des batteries lithium-ion, tous les centres de données utilisaient des batteries au plomb.
En utilisant le même système de charge UPS, les opérateurs de centres de données peuvent plus facilement adapter les batteries nickel-zinc aux équipements UPS existants grâce à un remplacement immédiat.
Dans le même temps, étant donné que les batteries au lithium nécessitent une protection supplémentaire, il peut être plus facile de remplacer les batteries au plomb par des batteries au nickel-zinc que d'acheter de nouvelles batteries au lithium. La chimie volatile du lithium entraîne des coûts supplémentaires en termes de ventilation, de suppression d'incendie de grande capacité, d'indices de combustion intérieure améliorés et d'autres caractéristiques de sécurité non requises pour les batteries nickel-zinc.
En fin de compte, toutes les entreprises, quelle que soit leur taille, doivent moderniser leurs stratégies de centres de données pour tenir les promesses de l’intelligence artificielle. La possibilité de simplement construire un nouveau centre de données n'existera pas toujours, mais la bonne stratégie de rénovation donnera aux entreprises l'impulsion nécessaire au changement dont elles ont besoin.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Samsung présente le SSD de qualité centre de données BM1743 : équipé de v7 QLC V-NAND et prend en charge PCIe 5.0
Jun 18, 2024 pm 04:15 PM
Selon des informations publiées sur ce site Web le 18 juin, Samsung Semiconductor a récemment présenté sur son blog technologique son disque SSD de nouvelle génération de qualité centre de données BM1743, équipé de sa dernière mémoire flash QLC (v7). ▲Disque SSD de qualité centre de données Samsung QLC BM1743 Selon TrendForce en avril, dans le domaine des disques SSD de qualité centre de données QLC, seuls Samsung et Solidigm, une filiale de SK Hynix, avaient réussi la vérification du client d'entreprise à ce temps. Par rapport à la génération précédente v5QLCV-NAND (remarque sur ce site : Samsung v6V-NAND n'a pas de produits QLC), la mémoire flash Samsung v7QLCV-NAND a presque doublé le nombre de couches d'empilement et la densité de stockage a également été considérablement améliorée. Dans le même temps, la fluidité de v7QLCV-NAND
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
