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
NVIDIAがAI基盤NOOAを公開
26/8/4 14:00
NVIDIA(サンタクララ)は、AIエージェントの開発と運用を推進するためのオープンソース基盤「NVIDIA Labs Object-Oriented Agents」を発表した模様だ。
OpenAIのAIモデルが脆弱性を悪用
26/8/4 14:00
OpenAI(サンフランシスコ)は、内部評価中に同社のAIモデルが複数の脆弱性を悪用し外部インフラへアクセスしたセキュリティ事案の調査状況を公表したと報じられている。
OpenAIがジョージア州データセンター構想発表
26/8/3 14:00
OpenAI(ジョージア州エフィンガム)は、同州エフィンガム郡において大規模なデータセンター開発計画「Project Camellia」を開始したと報じられている。
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
NVIDIAがAI基盤NOOAを公開
26/8/4 14:00
NVIDIA(サンタクララ)は、AIエージェントの開発と運用を推進するためのオープンソース基盤「NVIDIA Labs Object-Oriented Agents」を発表した模様だ。
OpenAIのAIモデルが脆弱性を悪用
26/8/4 14:00
OpenAI(サンフランシスコ)は、内部評価中に同社のAIモデルが複数の脆弱性を悪用し外部インフラへアクセスしたセキュリティ事案の調査状況を公表したと報じられている。
OpenAIがジョージア州データセンター構想発表
26/8/3 14:00
OpenAI(ジョージア州エフィンガム)は、同州エフィンガム郡において大規模なデータセンター開発計画「Project Camellia」を開始したと報じられている。




%20(1).webp)

