KI-Infrastruktur: Speicheroptionen

Overview

Google, IBM & Meta Certificates — All 10,000+ Courses at 40% Off

One annual plan covers every course and certificate on Coursera. 40% off for a limited time.

In diesem Kurs erhalten Sie einen umfassenden Überblick über die Speicherlösungen von Google Cloud, die speziell auf KI- und Hochleistungs-Computing-Arbeitslasten (HPC-Arbeitslasten) zugeschnitten sind. Sie erfahren, wie Sie für jede Phase des ML-Lebenszyklus den richtigen Speicher auswählen. Sie lernen, wie Sie die I/O-Leistung während des Trainings optimieren, riesige Datasets im Rahmen der Datenvorbereitung verwalten und Modellartefakte mit geringer Latenz bereitstellen. Anhand praktischer Beispiele und Demonstrationen erwerben Sie das nötige Fachwissen, um solide Speicherlösungen zu entwickeln, die Ihre KI-Innovationen beschleunigen.

Syllabus

Kursübersicht

Dieses Modul bietet einen Überblick über den Kurs und stellt die Lernziele vor.

Grundlagen der Speicherung mit KI

In diesem Modul wird die Rolle der Speicherinfrastruktur in der KI-Datenpipeline beschrieben. Es behandelt Leistungsanforderungen, wichtige Google Cloud-Lösungen und die Entscheidungskriterien für die Auswahl eines Dienstes auf Basis von Kapazität, Durchsatz und Latenz.

Vorbereiten und trainieren

In diesem Modul werden die kritischen Phasen der Datenvorbereitung und des Modelltrainings innerhalb des KI-Workflows beschrieben. Wir sehen uns die Optimierung des Laden von Daten mithilfe von Cloud Storage, Anywhere Cache und dem Dataflux Dataset-Tool an und vergleichen Hochleistungsdateisysteme wie Cloud Storage FUSE und Managed Lustre miteinander. Darüber hinaus werden Entscheidungskriterien für effiziente Strategien zur Prüfpunktausführung dargelegt, um für Fehlertoleranz zu sorgen und die Inaktivitätszeit der GPU zu minimieren.

Bereitstellen und Archivieren

In diesem Modul werden Strategien für die Bereitstellung von KI-Modellen und die Datenarchivierung beschrieben. Es behandelt die Auswahl des Speichers – Managed Lustre, Cloud Storage oder Hyperdisk ML – basierend auf Skalierbarkeit und Latenz sowie Optimierungstechniken wie GKE Image Streaming und Cloud Storage FUSE, die der Minimierung von Kosten und Ladezeiten dienen.