NVIDIA ReOpt, cuQuantum, cuNumeric, cuGraph, Modulus, Morpheus, NeMo Megatron, Riva, RAPIDS, DOCA y otras más son las bibliotecas que lanzó NVIDIA enfocadas en el ecosistema PyData.

Las novedades incluyen bibliotecas, ejemplos de código y guías, que brindan características y capacidades mejoradas a científicos de datos, investigadores, estudiantes y desarrolladores que están ampliando las fronteras de una amplia gama de desafíos informáticos.

Las adiciones, anunciadas por el fundador y CEO de NVIDIA, Jensen Huang, durante su discurso de apertura de GTC, incluyen SDK de próxima generación para acelerar la computación cuántica, algoritmos de entrega de última milla y minería de redes neuronales gráficas.

Los casi 3 millones de miembros del Programa de Desarrolladores de NVIDIA confían en el catálogo de la compañía de más de 150 kits de computación acelerada, un número que se ha multiplicado por seis en los últimos cinco años. CUDA, la plataforma de computación paralela y el modelo de programación, se descargó 7 millones de veces solo en el último año, y actualmente asciende a 30 millones desde su lanzamiento.

Estos son los nuevos SDK´s

NVIDIA ReOpt, para logística en tiempo real, presenta algoritmos avanzados y masivamente paralelos que optimizan las rutas de los vehículos, la selección de almacenes y la combinación de flotas. Sus capacidades de redireccionamiento dinámico pueden reducir el tiempo de viaje, ahorrar costos de combustible y minimizar los períodos de inactividad, lo que puede ahorrar miles de millones para las industrias de la cadena de suministro y la logística.

cuNumeric, para la computación en arreglos, implementa la interfaz de programación de aplicaciones NumPy para el escalado automático a sistemas de múltiples GPU y múltiples nodos con cero cambios de código, un valor para la comunidad de 20 millones de científicos de datos, investigadores y científicos que usan Python. Disponible ahora en GitHub y Conda, escala a miles de GPU, creando computación acelerada para el ecosistema PyData y NumPy.

cuQuantum, para la computación cuántica, permite simular grandes circuitos cuánticos de forma espectacularmente más rápida, lo que permite a los investigadores cuánticos estudiar un espacio más amplio de algoritmos y aplicaciones. Los desarrolladores pueden simular áreas como algoritmos cuánticos variacionales a corto plazo para moléculas y algoritmos de corrección de errores para identificar la tolerancia a fallas, así como acelerar simuladores cuánticos populares de Atos, Google e IBM.

El contenedor DGL acelerado CUDA-X, para redes neuronales de gráficos, ofrece a los desarrolladores y científicos de datos que trabajan en GNN con gráficos grandes una forma rápida de configurar un entorno de trabajo. El contenedor facilita el trabajo en un entorno GNN integrado y acelerado por GPU que combina DGL y Pytorch. Con GNN acelerados por GPU, incluso los gráficos más grandes del mundo, que se acercan a un billón de bordes en un solo gráfico, se pueden extraer para obtener información. Por ejemplo, Pinterest utiliza redes neuronales de gráficos con miles de millones de nodos y bordes para comprender su ecosistema de más de 300 mil millones de Pines, basados ​​en GPU y bibliotecas optimizadas para el entrenamiento y la inferencia de modelos.

«Nuestro equipo está encantado de colaborar con NVIDIA para acelerar DGL a través de RAPIDS cuDF para la construcción de gráficos, RAPIDS cuGraph para muestreo de gráficos y kernels de cómputo personalizados para GNN», dijo Alex Smola, director de Machine Learning en Amazon Web Services. «DGL es de código abierto y también está disponible como un servicio administrado a través de Amazon NeptuneML».

Los SDK actualizados aceleran el desarrollo de aplicaciones
Se han realizado funciones mejoradas y actualizaciones en una variedad de los SDK más populares de NVIDIA, incluidos los kits Clara, DLSS, RTX, Nsight e Isaac.

Los SDK adicionales actualizados incluyen:

RAPIDS 21.10, para ciencia de datos, ofrece nuevas funciones para trabajar con datos de series de tiempo y varias aceleraciones de algoritmos existentes. El acelerador RAPIDS para Apache Spark 3.0 permite a las empresas acelerar sus operaciones de análisis en las GPU NVIDIA sin cambios de código. Dado que las descargas de RAPIDS aumentaron un 400 por ciento este año, este es uno de los SDK más populares de NVIDIA.

Deepstream 6.0, para análisis de video inteligente, presenta una nueva interfaz de redacción de gráficos que hace que la visión por computadora sea accesible para los usuarios con una capacidad de codificación mínima y una interfaz visual de arrastrar y soltar para un flujo de desarrollo de productos de IA simple e intuitivo.

Triton 2.15, TensorRT 8.2 y cuDNN 8.4, para redes neuronales profundas, proporciona nuevas optimizaciones para modelos de lenguaje grandes y aceleración de inferencia para árboles de decisión potenciados por gradientes y bosques aleatorios.

DOCA 1.2, para redes de centros de datos, ofrece un marco de seguridad de confianza cero que extiende la protección contra amenazas a través de la autenticación de hardware y software, cifrado de datos de velocidad de línea, firewall distribuido y telemetría inteligente.
Merlin 0.8, para sistemas de recomendación, tiene nuevas capacidades para predecir la próxima acción de un usuario con pocos o ningún dato de usuario y compatibilidad con modelos más grandes que la memoria de la GPU.

Nuevos cursos de formación para SDK

Se espera que la escasez global de desarrolladores a tiempo completo aumente de 1,4 millones en 2021 a 4 millones en 2025, según IDC. La firma de analistas cree que la solución a largo plazo para remediar esta escasez es crear una infraestructura que eduque y empodere.

Dos nuevos cursos del Deep Learning Institute de NVIDIA respaldan y aceleran el aprendizaje y el uso de los SDK por parte de los desarrolladores, lo que se suma al catálogo DLI de más de 40 cursos.

Introducción a DOCA para DPU, disponible ahora, es un curso de autoaprendizaje que proporciona a los desarrolladores, investigadores y estudiantes los conceptos básicos de NVIDIA DOCA como una plataforma de habilitación para la computación acelerada del centro de datos en las DPU de NVIDIA BlueField.

La creación de aplicaciones de inteligencia artificial de video en tiempo real, disponible a finales de este mes, cubre la transformación de datos de video sin procesar en conocimientos basados ​​en aprendizaje profundo en tiempo real, utilizando el análisis de video inteligente NVIDIA DeepStream y el kit de herramientas NVIDIA TAO para implementar componentes acelerados por hardware para construir un canalización de transmisión de alto rendimiento.

Los cursos de DLI que se alinean con los nuevos SDK incluyen:

Los fundamentos de la ciencia de datos acelerados, dirigidos por un instructor, y los flujos de trabajo de ciencia de datos de extremo a extremo acelerados a su propio ritmo, utilizan bibliotecas de ciencia de datos aceleradas por NVIDIA RAPIDS para aplicar una amplia variedad de algoritmos de aprendizaje automático acelerados por GPU, incluido XGBoost, el método único de cuGRAPH. fuente de ruta más corta, y KNN, DBSCAN y regresión logística de cuML para realizar análisis de datos a escala.

La creación de sistemas de recomendación inteligentes cubre NVIDIA Merlin y otras herramientas y técnicas fundamentales para crear sistemas de recomendación altamente efectivos, así como también cómo implementar soluciones aceleradas por GPU para recomendaciones en tiempo real.

SDK para IA empresarial

El paquete de software NVIDIA AI Enterprise, que incluye SDK como Triton y RAPIDS, se ejecuta en servidores acelerados convencionales y está optimizado, certificado y compatible con NVIDIA. Los desarrolladores pueden aprovechar el programa NVIDIA LaunchPad para experimentar NVIDIA AI Enterprise en laboratorios seleccionados.

Deja un comentario

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.