AI人工智能训练推理平台——数算岛开源AI计算平台=GPU池化软件

一、AI人工智能————-面临的问题和挑战

1. GPU管理难题

1.1 资源管理难：算力资源昂贵，但是缺乏有效管理，闲置情况严重。

1.2 用户管理难：多租户下，难以科学合理的分配资源，难以确保数据安全。

2. AI算法难题

2.1 环境搭建难：深度学习对算力、数据、框架的复杂要求，导致配置环境需要付出大量时间精力。

2.2 模型训练难：AI 技术架构多而复杂，工程难度高，严重影响模型与调优的效率。

2.3 团队协作难：环境缺乏协同合作，导致大量重复工作，业务进展缓慢。

2.4 资源管理难：缺乏对代码、镜像、模型数据的统一管理，容易形成资源孤岛。

二、产品介绍

GPU池化软件 | (AI人工智能训练平台、AI人工智能推理平台) 是一站式全流程人工智能平台，平台打通模型与训练，原生支持多机多卡训练环境，优化 AI 场景下 IO 吞吐、持久化、结构化维护模型生产信息，优化数据资源共享路径，最终提高平台整体资源利用率，消除信息孤岛，大幅提高 AI 算法工程师工作效率，使其聚焦于算法与模型的核心工作，利用有限的资源更快挖掘商业价值与远见洞察。。

提高企业对于 AI 应用的研发效率。平台支持数据共享、模块复用，为团队协作提供了便捷。平台提供的对于 AI 资源的管理简单、便捷、灵活。

三、核心功能

3.1 AI 模型在线：

2.1.1 深度整合算法环境，支持 JupyterLab/网页终端/ssh 登录等多种调试工具。2.1.2 一键快速提交训练任务和保存镜像。2.1.3 支持主流 TensorFlow、PyTorch 等 AI 框架。2.1.4 实时监控环境资源用量(CPU，内存，GPU)。2.1.5 支持使用 VSCode、PyCharm 工具远程 SSH 连接环境进行代码调试。

3.2 模型训练

3.2.1 支持单机训练、分布式训练。

3.3 AI资产管理

3.3.1 包括对镜像、数据、代码的整合与管理，支持外部数据源的接入和外部代码仓库的连接。支持代码、数据、镜像的多层级共享，方便 AI 工程师相互之间相互协作。

3.4 排队管理

3.4.1 用户可以同时提交多个任务，资源不足时自动进入等待队列。

3.4.2 其他任务训练结束后自动释放资源给排队等待的任务，从而可以充分利用夜间、周末训练任务，延长GPU的使用时间，提高训练效率，有效提升人效

3.4.3 AI 任务队列优先级可灵活调整

典型应用场景

核心竞争力

优化生产力

一站式、训练、管理平台，化繁为简，有利于大幅缩短模型周期。

精细化、结构化的任务管理，结合配额、可视化、作业调度器，最大化提高效率。

多种机制结合，灵活管理多租户场景下计算资源的统一合理分配。

强化的安全机制，优化的协同平台，有利于团队成员间分享成果与开展合作。

算力质优价廉

任务自动排队机制，有效避免资源闲置，降低人工守护成本。

多场景切换，低配环境、高配环境训练、高效利用资源。

支持敏捷

统一的环境，一站式帮助用户完成在线，模型训练，代码分享，模型调优等核心功能。

结合硬件资源配额，支持用户自定义环境。

平台支持多种数据存储方案，统一管理个人数据与数据，支持数据协同共享。

平台集成镜像管理、代码/代码版本管理，支持模型快速迭代。

六、其他

微信wx：Ὠ; （讨论群+v）

七、部分图片

七、作者

【1】虚名：华为云MVP(华为云最具价值专家)

【2】案例：曾经参与做过一些有影响力的深圳鹏程实验室云脑、西安沣东计算中心

【3】能力：作者曾深度参与池化软件的设计研发以及衍生品设计，如AI人工智能实验室等