Ir pieejami MLPerf 3.0 rezultāti, un ir dažas interesantas nozares tendences.
Mašīnmācība un mākslīgais intelekts ir strauji mainīga nozare, kurā katru dienu notiek pastāvīgi jauninājumi. Tāpēc ir svarīgi, lai būtu iespēja salīdzināt ierīču iespējas, un tāpēc ir svarīgi, lai būtu viens vai vairāki korpusi, kas palīdz virzīt nozares izaugsmi. Izmantojot MLPerf Inference v3.0, MLCommons grupa cenšas dubultot filozofiju nodrošināt godīgu un stingra ierīču mašīnmācīšanās iespēju pārbaude, vienlaikus nodrošinot pārbaudāmu un reproducējamu rezultātus. Rezultāti tagad ir pieejami un no vēl lielāka iepriekšējo gadu piegādātāju saraksta.
"Secinājums" mašīnmācībā attiecas uz faktisko rezultātu iegūšanu no apmācīta algoritma, kur modelis pēc tam var noteikt, ko tas ir apmācīts atpazīt. Mēs redzam, ka secinājumi tiek izmantoti visās dzīves jomās, tostarp pašbraucošās automašīnas, meklēšanas ieteikumi Google tīklā un pat AI tērzēšanas roboti, piemēram, ChatGPT, Bing Chat vai Google Bard. MLPerf v3.0 var pārbaudīt šādus uzdevumus:
Uzdevums |
Reālās pasaules lietojumprogrammas |
Ieteikums |
Satura vai iepirkšanās ieteikumi, piemēram, meklēšana, sociālie saziņas līdzekļi vai reklāmas |
Runas atpazīšana |
Runas pārveide tekstā viedtālruņos, vadītāja palīdzība brīvroku režīmā |
Dabiskās valodas apstrāde (NLP) |
Meklēšana, tulkošana, tērzēšanas roboti |
Attēlu klasifikācija |
Attēlu marķēšana, vispārējs redzējums |
Objektu noteikšana |
Gājēju noteikšana, ražošanas defektu noteikšana, sarkano acu efekta samazināšana |
3D segmentācija |
Medicīniskā attēla analīze (piemēram, audzēja identifikācija) |
MLPerf v3.0 rezultātu datubāzē ir vairāk nekā 5300 veiktspējas rezultātu un vairāk nekā 2400 jaudas mērījumu rezultātu. Jo īpaši tendences tika identificētas daudzas jaunas aparatūras sistēmas, kuru datu centra komponentu veiktspēja dažās valstīs ir palielināta par aptuveni 30%. etaloniem. Turklāt daudz vairāk iesniedzēju sniedza rezultātus saistībā ar energoefektivitāti, un trīs reizes pieauga interese par tīkla izsecināšanu.
Nvidia, kas vairākus gadus ir bijusi MLPerf iesniegumu galvenais balsts, iesniedza pirmos rezultātus savam DGX H100 un pirmos pieteikumus savam L4 Tensor Core GPU. DGX H100 piedāvāja līdz pat 54% lielāku veiktspēju uz vienu paātrinātāju, salīdzinot ar tā pirmajām H100 iesniegtajām versijām, un L4 sniedza līdz pat trīs reizes lielāku veiktspēju nekā pēdējās paaudzes T4.
Citi uzņēmumi, kas iesniedza rezultātus, ir Qualcomm, par kuru uzņēmums saka, ka "visi kritēriji liecina par NLP un datoru veiktspējas un jaudas efektivitātes pieaugumu. Vision tīkli." Uzņēmums arī detalizēti paskaidroja, kā kopš pirmās MLPerf 1.0 iesniegšanas Qualcomm Cloud AI 100 veiktspēja ir uzlabota līdz pat 86% un jauda par 52%. efektivitāti. Citi ievērojami pārdevēji, kas iesniedza rezultātus, ir Intel, HPE, Gigabyte, Asus un Dell.