Τα αποτελέσματα του MLPerf 3.0 είναι διαθέσιμα και υπάρχουν μερικές ενδιαφέρουσες τάσεις του κλάδου.
Η μηχανική μάθηση και η τεχνητή νοημοσύνη είναι μια ταχέως μεταβαλλόμενη βιομηχανία με συνεχή καινοτομία που συνεχίζεται καθημερινά. Αυτός είναι ο λόγος για τον οποίο η δυνατότητα σύγκρισης των δυνατοτήτων των συσκευών είναι σημαντική και γιατί είναι επίσης σημαντικό να υπάρχει ένα σώμα ή πολλά σώματα που βοηθούν στην καθοδήγηση της ανάπτυξης του κλάδου. Με το MLPerf Inference v3.0, η ομάδα MLCommons στοχεύει να διπλασιάσει τη φιλοσοφία της παροχής δίκαιης και αυστηρή δοκιμή των δυνατοτήτων μηχανικής μάθησης των συσκευών, παρέχοντας ταυτόχρονα επαληθεύσιμα και αναπαραγώγιμα Αποτελέσματα. Τα αποτελέσματα είναι τώρα, και από μια ακόμη μεγαλύτερη λίστα πωλητών από τα προηγούμενα χρόνια.
Το "συμπέρασμα" στη μηχανική μάθηση αναφέρεται στην πραγματική απόδοση των αποτελεσμάτων από έναν εκπαιδευμένο αλγόριθμο, όπου το μοντέλο μπορεί στη συνέχεια να προσδιορίσει τι έχει εκπαιδευτεί να αναγνωρίζει. Βλέπουμε συμπεράσματα να χρησιμοποιούνται σε όλα τα είδη της ζωής, συμπεριλαμβανομένων των αυτοοδηγούμενων αυτοκινήτων, των προτάσεων αναζήτησης στο Google, ακόμη και των chatbots AI όπως
ChatGPT, Bing Chat ή Google Bard. Το MLPerf v3.0 μπορεί να δοκιμάσει τις ακόλουθες εργασίες:Εργο |
Εφαρμογές πραγματικού κόσμου |
Σύσταση |
Προτάσεις περιεχομένου ή αγορών, όπως αναζήτηση, μέσα κοινωνικής δικτύωσης ή διαφημίσεις |
Αναγνώρισης ομιλίας |
Ομιλία σε κείμενο σε smartphone, υποστήριξη οδηγού hands-free |
Επεξεργασία Φυσικής Γλώσσας (NLP) |
Αναζήτηση, μετάφραση, chatbots |
Ταξινόμηση εικόνων |
Σήμανση εικόνας, γενική όραση |
Ανίχνευση αντικειμένων |
Ανίχνευση πεζών, ανίχνευση κατασκευαστικών ελαττωμάτων, μείωση κόκκινων ματιών |
3D τμηματοποίηση |
Ανάλυση ιατρικής εικόνας (π.χ. ταυτοποίηση όγκου) |
Υπάρχουν πάνω από 5.300 αποτελέσματα απόδοσης και περισσότερα από 2.400 αποτελέσματα μέτρησης ισχύος στη βάση δεδομένων αποτελεσμάτων για το MLPerf v3.0. Ειδικότερα, οι τάσεις που εντοπίστηκαν περιλαμβάνουν πολλά νέα συστήματα υλικού που χρησιμοποιούνται με αυξημένη απόδοση σε στοιχεία του κέντρου δεδομένων περίπου 30% σε ορισμένα σημεία αναφοράς. Επίσης, πολλοί περισσότεροι υποβάλλοντες έδωσαν αποτελέσματα σχετικά με την απόδοση ισχύος και υπήρξε τριπλάσια αύξηση του ενδιαφέροντος για συμπέρασμα για το δίκτυο.
Η Nvidia, η οποία ήταν ο βασικός άξονας των υποβολών MLPerf για πολλά χρόνια, υπέβαλε τα πρώτα αποτελέσματα για το DGX H100 και την πρώτη υποβολή για την GPU L4 Tensor Core. Το DGX H100 προσέφερε έως και 54% περισσότερες επιδόσεις ανά επιτάχυνση σε σύγκριση με τις πρώτες του υποβολές H100 και το L4 έδωσε έως και τρεις φορές την απόδοση του Τ4 τελευταίας γενιάς.
Άλλες εταιρείες που υπέβαλαν αποτελέσματα περιλαμβάνουν την Qualcomm, την οποία η εταιρεία λέει ότι "όλα τα σημεία αναφοράς δείχνουν αύξηση της απόδοσης και της απόδοσης ισχύος για NLP και Υπολογιστές Vision networks." Η εταιρεία εξήγησε επίσης πώς από την πρώτη της υποβολή του MLPerf 1.0, το Qualcomm Cloud AI 100 έχει βελτιωθεί έως και 86% σε απόδοση και 52% σε ισχύ αποδοτικότητα. Άλλοι αξιόλογοι προμηθευτές που υπέβαλαν αποτελέσματα περιλαμβάνουν τις Intel, HPE, Gigabyte, Asus και Dell.