גוגל ו-Nvidia חלקו את המקום הראשון בסיבוב הרביעי של ציוני בחינת ביצועים של MLPerf Training, כשכל אחת מהן זכתה בארבעה מתוך שמונת המדדים הבוחנים מאיצי הבינה המלאכותית בקנה מידה גדול
גוגל ו-Nvidia חלקו את המקום הראשון בסיבוב הרביעי של ציוני בחינת ביצועים של MLPerf Training, כשכל אחת מהן זכתה בארבעה מתוך שמונת המדדים הבוחנים מאיצי הבינה המלאכותית בקנה מידה גדול.
בפעם הראשונה הראתה Graphcore את היכולות של ערכות 16 ו 64 השבבים שלה שמציעות יחידת עיבוד בינה מלאכותית של הדור השני (IPU). מעבדות הבנה נכנסו לראשונה לשבב ה-Gaudi שלה (החברה נכנסה לשבב המסקנות שלה, גויה, בסבב הסקת מסקנות קודם של החטיבה הסגורה).
חברות אחרות שעמדו במבחן היו מערכות בקנה מידה גדול המבוססות על Huawei Ascend 910, מעבדי Xeon של אינטל ללא מאיצים, ומגוון מערכות מבוססות Nvidia-A100 מצדדים שלישיים.
מגוון ההגשות נמתח ממערכות ברמה ארגונית ועד מחשבי-על, כאשר 13 ארגונים הגישו 650 ציוני דרך שנבדקו על-ידי עמיתים, בערך פי 6 ממספר הציונים שהוגשו בסיבוב האחרון.
מנכ"ל MLCommons דוד קנטר אמר ל-EE טיימס כי המטרה של MLPerf היא להגדיל את הביצועים של שבבי הבינה המלאכותית בכל הגדלים. .
"אחד הדברים שאנחנו מקווים להשיג הוא לעזור להניע את הביצועים בכל התעשייה", אמר. "בסיבוב הזה חברות הגישו כוונון תוכנה, אופטימיזציה של הרשת, בניית מערכות גדולות יותר, ושימוש במעבדים ומאיצים חדשים יותר."
בהשוואה לסיבוב הקודם, התוצאות הטובות ביותר של בחינת ביצועים השתפרו עד פי 2.1. ביצועי ResNet-50 השתפרו ביותר מפי 25 בשנתיים, אם כי הדבר נובע מכך שאלו מערכות בקנה מידה גדול יותר, כמו גם חומרה מהירה יותר ותוכנות ממוטבות.
חטיבה סגורה
החטיבה הסגורה מכילה תוצאות ממערכות העומדות במפרטי התקנה קפדניים, המיועדים כמסגרת להשוואה ישירה.
שתי אמות מידה חדשות נוספו בסיבוב זה: RNN-T הוא Speech to Text המשמש בגוגל במגוון רחב של מכשירים ו- UNet-3D , רשת הדמיה רפואית המשמשת לחפש תאים סרטניים בסריקות תלת מימדיות של הכליות.
אמות מידה חדשות אלה מצטרפות לקיימות: ResNet-50 לסיווג תמונה, רשתות זיהוי עצמים ב-SSD ומסכת R-CNN, רשתות עיבוד שפה טבעית BERT, DLRM (מודל המלצת למידה עמוקה) ו Minigo, רשת למידת חיזוק הלומדת את המשחק Go.
