نبذة مخصرة:

يتم التحقيق في طرق التعلم الآلي والعميق إما لزيادة أو استبدال المحاكاة التقليدية. مكنت الاتجاهات المعاصرة في الأجهزة والبرامج من تقارب HPC و AI. في ورشة العمل هذه ، نقوم بمسح هذه الاتجاهات واستكشاف ما هو متاح على مستوى النظام وفي البرامج لتسهيل الانتقال إلى تطوير أعباء عمل علوم البيانات. تشمل المحادثات جولة حول الأجهزة الحالية وموارد النظام المتاحة لتسريع سير عمل علوم البيانات. ويلي ذلك فهرسة أدوات وأطر البرامج المتاحة لتطوير نماذج ML / DL ، وتسريع عملية التدريب الخاصة بهم والتعامل مع متطلبات البيانات المرتبطة على نطاق واسع. سيتم أيضًا تقديم بعض الأمثلة حيث تستفيد المجتمعات (مثل CFD و Geoscience) ، التي تعتمد تقليديًا على محاكاة HPC الكلاسيكية ، من أساليب علوم البيانات لتسريع تحقيقاتها العلمية. يُفترض أن الحضور ليس لديهم خبرة سابقة في أعباء عمل غسل الأموال / DL.

نبذة مخصرة:

ورشة عمل للتعريف بتقنية DPC++ ، تستهدف توعية الحضور بكيفية كتابة برامج بسيطة باستخدامها ، وبعض الميزات المتقدمة التي تقدمها. DPC++ هي لغة عالية المستوى مصممة للبرمجة المتوازية للبيانات. القصد من ذلك هو تزويد المطورين بلغة ذات مستوى أعلى لاستخدامها بخلاف OpenCL ولغات أخرى ، مما يجعل البرامج محمولة عبر بنى مختلفة مع الحفاظ على القدرة على كتابة نواة خاصة بالأجهزة لتحسين الأداء على منصات مختلفة.

نبذة مخصرة:

يحقق تطبيق الأنظمة القائمة على الذكاء الاصطناعي نجاحًا متزايدًا في صناعة الرعاية الصحية مما يتيح التقدم التكنولوجي لكل من تشخيص وعلاج الحالات السريرية ، وكذلك تحسين كفاءة إدارة مرافق الرعاية الصحية وتحسينها.

شهد البحث والتطوير في الأنظمة المستندة إلى تعلم الآلة ظهور ما يسمى بـ MLOps ، وهو إطار يهدف إلى حل العديد من التحديات التنظيمية المتعلقة بمراحل التدريب والنشر.

يتطلب تنفيذ إطار عمل MLops أيضًا تطوير منصات SW ، والتي توفر أدوات لفرق التطوير لتبسيط وتحسين تدفقات العمل عن طريق تقليل الاختناقات المحتملة بسبب على سبيل المثال إدارة واستخدام البنية التحتية المعقدة للنفايات الصلبة.

نبذة مخصرة:

ورشة عمل تتكون من جزئين.

الجزء الأول: الحوسبة عالية الأداء تقود الابتكار والاكتشاف، ولكن الطلب المتزايد على المزيد من الأداء يؤدي إلى زيادة حرارة معالجات ومسرعات الحوسبة عالية الأداء. في ورشة العمل هذه سوف نتعرف على أساليب التبريد الحالية والمستقبلية وتحديات التوازن مع متطلبات الاستدامة.

الجزء الثاني: مع كل التقدم في الحوسبة المتوازية ومتعددة النواة على نطاق واسع مع وحدات المعالجة المركزية والمسرعات الخاصة ، غالبا ما يتم التغاضي عما إذا كان العمل الحسابي يتم بطريقة فعالة. يتم تحديد هذه الكفاءة إلى حد كبير على مستوى التطبيق ، وبالتالي تضع مسؤولية الحفاظ على مسار أداء معين في أيدي المستخدم. ويلاحظ أن معدل اعتماد قدرات الأجهزة الجديدة آخذ في التناقص ويؤدي إلى الشعور بتناقص العوائد. في الوقت نفسه ، تحد قوانين الأداء المتوازي المعروفة من منظور منشئ النظام. هذا الجزء يقدم نظرة عامة على هذه التحديات وما يمكن القيام به للتغلب عليها. كما سيوفر عرضا مركزا على وحدة المعالجة المركزية لأداء التطبيق على مستوى منخفض للغاية.

نبذة مخصرة:

بيئة تطوير برمجيات الذكاء الاصطناعي (كاري) عبارة عن منصة تدريب على التعلم الآلي تجعل بناء نماذج التعلم الآلي سريعًا وسهلاً.

تتيح منصة البرامج لمهندسي وباحثين التعلم الآلي:

• تدريب النماذج بشكل أسرع باستخدام التدريب الموزع: من خلال توفير الأجهزة واعداد الشبكات ، وتحسين الاتصال بين الآلات ، والتحميل الفعال للبيانات الموزعة ، والتسامح مع الأخطاء.
• استخدم مسرعات مختلفة بكفاءة (مثل وحدات معالجة الرسومات): مع إدارة موارد ذكية وقابلة للتكوين
• تتبع التجارب وإعادة إنتاجها والتعاون فيها: باستخدام التتبع التلقائي للتجربة الذي يعمل خارج الصندوق ، ويغطي إصدارات الكود والمقاييس ونقاط التحقق والمعلمات الفائقة.

كنظام أساسي للتدريب الشامل، يدمج النظام هذه الميزات في بيئة تعلم آلي سهلة الاستخدام وعالية الأداء وبيئة التعلم العميق التي يمكن نشرها على السحابة ، مما يدعم مقدمي الخدمات مثل AWS و Azure و