实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(3)
- (3)
-
(2)
- (2)
- (1)
- (1)
- (1)
- (1)
- (3)
- (1)
- (1)
- (2)
- (2)
- (1)
- (1)
- (3)
- (2)
- (1)
- (3)
Selected Filters
|
自动驾驶汽车公司 Wayve 终结 GPU 调度“恐怖”
Wayve 是一家总部位于伦敦的公司，致力于开发自动驾驶汽车的人工智能软件，该公司在 GPU 资源方面面临着巨大挑战。他们的车队学习循环（在部署到车队之前，连续进行数据收集、整理、模型训练、重新模拟和授权模型）消耗了大量的 GPU 资源。然而，尽管几乎 100% 的 GPU 资源都分配给了研究人员，但资源利用率却不到 45%。这是因为 GPU 是静态分配给研究人员的，这意味着当研究人员不使用分配给他们的 GPU 时，其他人无法访问它们。这造成了一种假象，即用于模型训练的 GPU 已满负荷，而实际上许多 GPU 处于闲置状态。
|
|
|
|
一家公司如何利用 Run:ai 将 GPU 利用率从 28% 提高到 73%
该公司是面部识别技术领域的全球领导者，但在 GPU 利用率方面面临诸多挑战。由于 GPU 资源的静态分配，他们无法在团队和项目之间成功共享资源，从而导致瓶颈和无法访问的基础设施。缺乏对可用资源的可见性和管理，导致他们的工作进度变慢。尽管现有硬件的利用率很低，但可见性问题和瓶颈使得他们似乎需要额外的硬件，从而导致成本增加。该公司正在考虑额外的 GPU 投资，计划的硬件购买成本超过 100 万美元。
|
|
|
|
伦敦医学成像与人工智能中心利用 Run:ai 加速研究
伦敦医学影像与人工智能中心（价值型医疗保健）的人工智能硬件面临多项挑战。尽管研究人员有需求，但 GPU 总利用率低于 30%，部分 GPU 仍有大量空闲时间。系统多次超载，需要运行作业的 GPU 数量超过可用数量。可见性和调度不佳导致延迟和浪费，需要大量 GPU 的大型实验有时无法开始，因为仅使用少量 GPU 的小型作业无法满足其资源需求。
|
|
