人工智能行业解决方案
人工智能行业白皮书
应用场景
业务挑战
AI计算平台功能需求难满足
开源平台功能少，难以满足全部需求
部分商业平台功能可定制化程度低
IT资源维护管理效率低
资源混用，管理困难
各行业所需资源类型众多，利用率低
运维工具构建复杂
AI计算资源有限
GPU资源类型单一，无法控制计算成本
计算资源有限，难以随时调配GPU资源以满足需求
总体成本高
AI软件研发定制化成本高
GPU资源硬件资源成本高，闲置造成资源折旧浪费
本地数据中心的人力、物力、场地等资源总体成本高
为什么选择速石
典型业务场景
行业案例
某高校AI实验室
应用PyTorch
场景AI计算
客户挑战单机训练，本地多台机器无法进行统一管理，资源利用率低
GPU资源分散，只能单机使用，难以进行分布式训练
缺乏资源使用管理流程，日常使用基本靠抢
模型、数据集和镜像散落在单机上，没有统一的平台管理，维护工作繁琐
训练任务环境配置复杂、费时费力，移植难度高
难以对训练效果进行评估分析和调优
某芯片设计公司软件开发部门
应用Pytorch、TensorFlow、MXNet
场景嵌入式环境模型开发
客户挑战不同开发团队之间共享GPU服务器，服务器的资源分配目前是手动完成，效率很低且管理复杂
开发环境管理混乱，且由于网络限制，许多依赖安装流程繁琐，影响开发团队效率
由于手动管理，所有GPU服务器的使用情况没有监控，无法得知资源的使用效率
实验管理、超参数调优、分布式训练等需求无法满足
某高校人工智能实验室
应用Pytorch、TensorFlow、MXNet
场景机器人控制
客户挑战本地资源有限，需要在研究员之间分配GPU资源
使用工作站无法满足一些规模较大的模型训练的算力需求
实验室没有专人管理基础架构，需要管理和基本的运维监控
研究员希望保持GPU资源的接入方式不变
某药物研发公司
应用AlphaFold2
场景蛋白质三维结构的预测
客户挑战本地计算资源有限，多部门争抢，导致许多任务被推迟，效率不高
AlphaFold2需要使用GPU来加速蛋白质结构的预测，在实际业务中最多一次需跑十几个任务，并发需求多，如果按峰值购买GPU卡，一次性投入较高
研发只了解应用，对AlphaFold2软件的调优不够熟悉
某高校AI实验室
应用PyTorch
场景AI计算
客户挑战单机训练，本地多台机器无法进行统一管理，资源利用率低
GPU资源分散，只能单机使用，难以进行分布式训练
缺乏资源使用管理流程，日常使用基本靠抢
模型、数据集和镜像散落在单机上，没有统一的平台管理，维护工作繁琐
训练任务环境配置复杂、费时费力，移植难度高
难以对训练效果进行评估分析和调优
某芯片设计公司软件开发部门
应用Pytorch、TensorFlow、MXNet
场景嵌入式环境模型开发
客户挑战不同开发团队之间共享GPU服务器，服务器的资源分配目前是手动完成，效率很低且管理复杂
开发环境管理混乱，且由于网络限制，许多依赖安装流程繁琐，影响开发团队效率
由于手动管理，所有GPU服务器的使用情况没有监控，无法得知资源的使用效率
实验管理、超参数调优、分布式训练等需求无法满足
我们的客户
上海 
联系我们：
