缺乏一个共同的理解的AI性能阻碍增长。
没有标准测量机器学习性能的今天,意义没有单一的答案对于企业如何构建一个处理器的所有用例ML而平衡计算和内存限制。很长一段时间,每组选择一个定义和测试,以适应自己的需要。缺乏共同的理解的性能阻碍了客户的购买决定和减缓增长的行业,限制AI的当今世界的创新。
解决这些挑战和加速创新的行业,我们需要标准的基准,在所有市场数据集和最佳实践。手臂和MLCommons全球工程协会,共同努力推动行业前进在所有这三个地区。通过结合这三个,我们可以创建可持续和健康发展突破申请世界。
MLCommons是一个全球性的工程非营利组织成功雇佣了一个全面的方法来测量性能,创建数据集和最佳实践。基准测试组使开放透明的共识与竞争实体创建一个公平的竞争环境。他们支持的30 +创始成员从商业和研究社区。他们的做法执行可复制性,以确保可靠的结果,是互补的微基准的努力。MLCommons保持基准工作负担得起,所以都可以参与一起来帮助市场份额的增长和提高创新。戴夫•坎特MLCommons详述如下:
“我们正处于一个独特的发展的拐点毫升及其解决挑战的能力交流,获取信息,健康,安全,商业和教育,”大卫·坎特说MLCommons执行主任。“在MLCommons,最聪明的头脑从全球领先的组织合作,加快机器学习创新,造福人类作为一个整体。”
手臂和其他人工智能先锋正在MLCommons一起分享和提供行业洞察力和市场趋势移动、服务器、高性能计算、微型嵌入式,自治确保基准代表真实的用例。(有关更多信息,请参见MLCommons组织下面的图表)。
图1:MLCommons组织图。
公司经常内部基准测试和行业基准之间的平衡的努力。内部努力集中精力提高处理器的IP为特定客户的需求,虽然行业标杆努力提高处理器IP的广泛需求行业。为了达到这种平衡成本最低的方法,我们需要全行业的支持创建基准数据集,让整个行业的最佳实践。合作可以改善业务性能的有力推动者,但成功的合作很少出现的,不应认为是理所当然的。所以,如果你正在考虑加入的努力,看看MLCommons为更多的信息。
|
|
|
|
|
|
|
|
|
|
留下一个回复