Wie optimierte HPC- und KI-Workloads technologische Durchbrüche und Innovationen vorantreiben

Künstliche Intelligenz (KI) entwickelt sich immer mehr zum Eckpfeiler der Unternehmensanalyse: Sie versetzt Unternehmen in die Lage, über die ständig wachsenden Datensätze, die durch die heutigen Geschäftsprozesse entstehen, den Überblick zu behalten und daraus einen Mehrwert zu generieren. Gleichzeitig erfordern das schiere Volumen und die Geschwindigkeit der Daten optimiertes High-Performance-Computing (HPC), um die notwendige Leistung bereitzustellen, die für ein effektives Training von KI, für KI-Inferencing und für Analysen erforderlich ist. Laut Hyperion Research wird HPC-fähige KI mit einem Wachstum von mehr als 30 Prozent bis zum Jahr 2024 einen Markt von 3,5 Milliarden US-Dollar darstellen[1].

Dieses zunehmende Zusammenspiel aus HPC und KI wird von Unternehmen und Organisationen vorangetrieben, die ihren Wettbewerbsvorteil auf dem globalen Markt ausbauen wollen. Denn die digitale Transformation wird durch IT-Transformationsprozesse weiter beschleunigt und erreicht die nächste Stufe.

„Wir sehen, dass HPC-gestützte KI auf dem Vormarsch ist, weil sie Daten schneller und genauer extrahiert und verfeinert. Dies führt natürlich zu schneller bereitgestellten und umfassenderen Erkenntnissen, die wiederum bessere Geschäftsergebnisse ermöglichen und neue Durchbrüche und eine bessere Differenzierung bei Produkten und Dienstleistungen bei gleichzeitigen Kosteneinsparungen erlauben“, sagt Mike Yang, Präsident von Quanta Cloud Technology (QCT). 

HPC und KI wird erwartungsgemäß für die fast alle Branchen von Nutzen sein. Am meisten werden aber voraussichtlich die Bereiche Gesundheitswesen, Fertigung und Hochschulforschung profitieren. Das liegt an der hohen Intensität der üblichen Rechen-Workloads in diesen Branchen.

Der Einsatz HPC-gestützter KI in den Anwendungsfeldern wie Sequenzierung der nächsten Generation, medizinische Bildgebung und Molekulardynamik hat das Potenzial, die Entwicklung neuer Medikamente zu beschleunigen und die Verfahren und Ergebnisse aus der Patientenversorgung zu verbessern. In der Fertigung werden Finite-Element-Analysen, Computer Vision, elektronische Designautomatisierung und computergestütztes Design durch KI und HPC erleichtert, was die Produktentwicklung beschleunigt. Darüber hinaus können Analysen, die auf Internet-of-Things-Daten (IoT) beruhen, Lieferketten rationalisieren, vorausschauende Wartungssysteme verbessern und Fertigungsprozesse automatisieren. Die Hochschulforschung nutzt KI zur Erforschung von Bereichen wie der dynamischen Strukturanalyse, der Wettervorhersage, der Flüssigkeitsdynamik und der Quantenchemie in dem ständigen Bestreben, globale Probleme wie den Klimawandel zu lösen. Ebenso werden künstliche Intelligenz und HPC genutzt, um Durchbrüche und tiefergehende Erkundungen in Kosmologie und Astrophysik zu erreichen.   

Optimierung von HPC- und KI-Workloads 

Die Algorithmen der KI und des maschinellen Lernens (ML), die diesen geschäftlichen und wissenschaftlichen Fortschritten zugrunde liegen, sind deutlich komplexer geworden und liefern schnellere und genauere Ergebnisse, benötigen hierfür allerdings auch eine deutlich höhere Rechenleistung. Die zentrale Herausforderung für Unternehmen besteht nun darin, skalierbare HPC-fähige KI-Umgebungen zu schaffen und gleichzeitig die Projektimplementierungszeit zu verkürzen, damit sich Forscher, Ingenieure und Wissenschaftler voll und ganz auf ihre Forschung konzentrieren können.

Die IT-Abteilung muss ihre HPC- und KI-Infrastruktur aktiv verwalten und das richtige Profiling-Tool für die Optimierung von HPC- und KI-Workloads einsetzen. Eine optimierte HPC- und KI-Infrastruktur sollte Forschern und Entwicklern die richtigen Ressourcen zur richtigen Zeit zur Verfügung stellen, um Berechnungsprozesse zu beschleunigen.

Darüber hinaus helfen das Verständnis der Workload-Anforderungen und die Leistungsoptimierung der IT-Abteilung, einen höheren Arbeitsaufwand und zusätzliche Arbeit für die Feinabstimmung zu vermeiden. Das reduziert die Gesamtbetriebskosten (TCO; total cost of ownership) erheblich.

Wie aber können Unternehmen HPC- und KI-Workloads schnell und effektiv optimieren? Yang fasst die Methodik zur Workload-Optimierung, die sein Unternehmen entwickelt hat, um seinen Kunden unabhängig von der Branche eine effektive Workload-Optimierung zu ermöglichen, folgendermaßen zusammen:

  • Identifizierung der wichtigsten Workload-Anwendungen und Daten, die vom Kunden verwendet werden, sowie der Erwartungen und Problembereiche des Kunden;
  • Deuten und verstehen der Daten für eine bessere Ressourcenzuweisung und Priorisierung, Festlegen von Workload-Zielen und Auswahl geeigneter Bewertungsmethoden für die Workload-Optimierung;
  • Entwurf der Infrastruktur und Aufbau des Clusters, um sicherzustellen, dass Hardware und Software-Stack die Arbeitslasten unterstützen können;
  • Einrichtung einer Baseline und Erstellung von Profilen, um den Erfolg anhand konkreter Metriken zu beurteilen;
  • Ausführen der Anwendung und Debugging;
  • Sammeln und Analysieren von Profildaten sowie Identifizierung von Engpässen, die behoben und feinabgestimmt werden müssen;
  • Kontinuierliche Anpassung und Feinabstimmung; und
  • Erstellung eines Berichts über die Workload-Optimierung

QCT nutzt Intels Profiling-Tool Intel Granulate gProfiler, um das Verhalten des Workloads aufzudecken. Anschließend nutzt das Unternehmen sein eigenes tiefgehendes Fachwissen, um das Verhalten zu analysieren und einen Feinabstimmungsplan zu erstellen, der bei der Optimierung hilft. Durch diesen Prozess können Unternehmen eine schnelle Bereitstellung, eine vereinfachte Verwaltung und optimierte Integrationen sicherstellen – und darüber hinaus Kosten einsparen.

KI wird weiterhin transformative Lösungen für Unternehmen und Organisationen bieten. Aber die wachsende Komplexität von Datensätzen und Algorithmen führt zu einer höheren Nachfrage nach HPC, um diese leistungsintensiven Arbeitslasten zu ermöglichen. Die Workload-Optimierung verbessert den Prozess effektiv und ermöglicht es den Fachleuten in ihren Bereichen, sich auf ihre Forschung zu konzentrieren, um Durchbrüche in der jeweiligen Branche voranzutreiben und Innovationen zu beschleunigen.

Um zu erfahren, wie Workload-Profiling Ihr Unternehmen oder Ihre Organisation verändern kann, besuchen Sie https://go.qct.io/qct-pod/.


[1] Hyperion Research White Paper, “Bringing HPC Expertise to Cloud Computing,” Apr 2020.


QCT, das QCT-Logo, Quanta und das Quanta Logo sind Warenzeichen oder eingetragene tarenzeichen von Quanta Computer Inc.

Intel, das Intel-Logo, Optane und Xeon Inside sind Marken oder eingetragene Marken der Intel Corporation in den USA und/oder in anderen Ländern. Alle Marken und Logos sind Eigentum ihrer jeweiligen Inhaber.

kommentar field