Generatived(Beta)|生成AIの最新ニュースとトレンドを提供
%20(1).webp)
Google Cloud 自動ストラグラー検出
Generatived
25/9/1 9:00
ストラグラーは、大規模なMLワークロードを扱う開発者にとっての課題だ。システムが拡大し、強力になるほど、小さなコンポーネントの問題が全体のパフォーマンスに影響を及ぼすようになる。新しいレベルのスーパーコンピュータが、次世代の大規模モデルのトレーニングには必要とされる。
障害は「フェイルストップ」と「フェイルスロー」の2種類に分けられる。前者はコンポーネントがクラッシュし、後者は動作が遅くなるだけである。パフォーマンスが低いノードは、システム全体に影響を及ぼし、トレーニング時間の増加につながる。
信頼性を高めるためには、平均中断間隔(MTBI)を延ばし、平均復元時間(MTTR)を短くすることが重要だ。復旧プロセスは、問題の検出、特定、システムの再構成、根本原因分析の4段階に分けられる。
Google Cloudでは、ストラグラーを自動検出する方法が紹介されている。大規模な分散トレーニングでは、全アクセラレータが同期して動作し、一つのストラグラーが遅れると、他のアクセラレータがアイドル状態になる。この遅延は、ハードウェア障害やソフトウェアバグなど、様々な問題によって引き起こされる。
速度低下の原因を特定するのは困難だが、Googleのアプローチは因果分析に基づいている。システムは相互接続されたグラフとして理解され、GPUクラスタをパッシブにモニタリングする。通信グラフの構築と速度低下の原因特定の2ステップで動作する。
この自動化されたアプローチにより、検索範囲が数千のノードから数個に減り、検索時間が数日から数分に短縮される。遅延が特定されると、サービスによってフラグが立てられ、適切なアクションが実行される。
Magicは、Googleと提携してフロンティアLLMを開発した。自動ストラグラー検出アルゴリズムの導入前は、手動でのトラブルシューティングが必要だったが、現在はストラグラー検出がデフォルトで有効になっている。Ai2もGoogle Cloudでのトレーニングにより、研究の生産性を向上させた。
最新のニュース
ミロクリエAIオフライン点検披露
26/2/11 9:00
ミロクリエ(高知県南国市)は、東京ビッグサイトで開催される「FOODEX JAPAN 2026」にて、設備保全クラウド「ミロクルカルテ」の新オプション「ミロクルAIオフライン点検」α版を披露する。
Cloudera 、オンプレミス環境にAIとデータウェアハウスを導入
26/2/11 9:00
Clouderaは、AI推論およびデータウェアハウスのサービスをオンプレミス環境にも拡張し、お客様が自社データセンター内で高度なAIと分析機能を活用できるようにしました。
Copyright © 2024 Generatived - All right Reserved.
ニュース
Generatived は、Generative AIに特化した情報やトレンドをお届けするサービスです。大きく変わりゆく世界の情報を全力でお届けします。
最新のニュース
ミロクリエAIオフライン点検披露
26/2/11 9:00
ミロクリエ(高知県南国市)は、東京ビッグサイトで開催される「FOODEX JAPAN 2026」にて、設備保全クラウド「ミロクルカルテ」の新オプション「ミロクルAIオフライン点検」α版を披露する。
Cloudera 、オンプレミス環境にAI とデータウェアハウスを導入
26/2/11 9:00
Clouderaは、AI推論およびデータウェアハウスのサービスをオンプレミス環境にも拡張し、お客様が自社データセンター内で高度なAIと分析機能を活用できるようにしました。




%20(1).webp)

