20.03.2024 Aufrufe

4-2024

Fachzeitschrift für Hochfrequenz- und Mikrowellentechnik

Fachzeitschrift für Hochfrequenz- und Mikrowellentechnik

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

Aktuelles<br />

Benchmarking-Lösung beschleunigt Einsatz von Infrastruktur für KI<br />

• vereinfacht den Bench marking-<br />

Prozess – bietet eine Validierung<br />

der KI-Netzwerkstruktur<br />

mit vorgefertigten<br />

Benchmark-Anwendungen,<br />

die durch Partner schaften mit<br />

den größten KI-Betreibern und<br />

KI-Infrastrukturanbietern entstanden<br />

sind<br />

• führt definierte KI/ML-Verhaltensmodelle<br />

aus – ermöglicht<br />

den Austausch zwischen<br />

Nutzern und Kunden, um die<br />

Reproduktion von Experimenten<br />

zu unterstützen<br />

Die Keysight AI Data Center<br />

Test Platform bietet Netzwerkingenieuren<br />

die Möglichkeit,<br />

KI-Workloads mit messbarer<br />

Genauigkeit zu emulieren,<br />

indem sie Keysight Hardware<br />

Load Appliances oder Software-Endpunkte<br />

auf echten KI-<br />

Beschleunigern verwenden, um<br />

Benchmarking-Ergebnisse zu<br />

vergleichen. Sie beschleunigt die<br />

Innovation bei der Validierung<br />

und Optimierung von KI-Netzwerkstrukturen.<br />

Die Plattform<br />

verbessert das Bench marking<br />

neuer KI-Infrastrukturen mit<br />

beispielloser Skalierbarkeit<br />

und Effizienz unter Verwendung<br />

mehrerer KI-Test-Engines<br />

erheblich.<br />

Keysight Technologies<br />

www.keysight.com<br />

Hintergrund: Der Einsatz und<br />

die Nutzung von KI nimmt in<br />

allen Industriesegmenten rasant<br />

zu, und der Wettlauf um das<br />

schnelle und effiziente Trainieren<br />

und Bereitstellen neuer<br />

KI-Modelle ist für Unternehmen<br />

von höchster Priorität.<br />

KI/ML-Workloads verarbeiten<br />

riesige Datenmengen, die eine<br />

hohe Netzwerkbandbreite und<br />

Rechenleistung erfordern, um<br />

die Trainingszeit zu verkürzen.<br />

Die Kosten für die Entwicklung<br />

und Validierung umfangreicher<br />

„Was-wäre-wenn“-Szenarien<br />

sind jedoch selbst für die größten<br />

KI-Betreiber unerschwinglich.<br />

Um diese Herausforderung zu<br />

meistern und das Design und<br />

Testen von KI/ML-Infrastrukturen<br />

zu beschleunigen, bietet<br />

die Keysight AI Data Center Test<br />

Platform hochgradig abstimmbare<br />

KI-Workload-Emulation,<br />

vorgefertigte Benchmarking-<br />

Apps und Tools zur Datensatzanalyse,<br />

um die Leistung der KI/<br />

ML-Cluster-Netzwerkstruktur<br />

deutlich zu verbessern.<br />

Um das KI/ML-Netzwerkdesign<br />

zu beschleunigen, bietet die Keysight<br />

Lösung für Rechenzentren:<br />

• emuliert KI-Workloads im<br />

großen Maßstab mit messbarer<br />

Genauigkeit – bietet tiefe Einblicke<br />

in die kollektive Kommunikationsleistung<br />

• bietet eine Auswahl an Test-<br />

Engines – Auswahl zwischen<br />

KI-Workload-Emulation auf<br />

Keysight Hardware Load<br />

Appliances und Software-<br />

Endpunkten auf realen KI-<br />

Beschleunigern zum Vergleich<br />

der Benchmarking-Ergebnisse.<br />

Die Keysight-Plattform ermöglicht<br />

die Validierung und<br />

das Experimentieren mit dem<br />

Fabric-Design in großem Maßstab<br />

auf realistische und kosteneffektive<br />

Weise. Diese Lösung<br />

ergänzt das Testen von KI/ML-<br />

Workloads mit GPUs und bietet<br />

KI- Betreibern eine skalierbare,<br />

robuste und integrierte KI-Testplattform.<br />

800GE ist ein entscheidender<br />

Treiber für das KI/ML-Wachstum,<br />

da diese Technologie<br />

die schnellste Zunahme aller<br />

Portgeschwindigkeiten in der<br />

Geschichte von Rechen zentren<br />

haben wird. Das KI/ML-Bandbreitenwachstum<br />

wird bis zum<br />

Ende des Jahrzehnts um über<br />

100% pro Jahr zunehmen. Es<br />

ist erwiesen, dass ein Hoch-<br />

geschwindigkeits-Ethernet-<br />

Netzwerk die wirtschaftliche<br />

Skalierung und Leistung bietet,<br />

die erforderlich ist, um die Zeit<br />

für die Verarbeitung von KI/ML-<br />

Workloads zu reduzieren und<br />

gleichzeitig offene Standards<br />

einzuhalten. ◄<br />

12 hf-praxis 4/<strong>2024</strong>

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!