ပင်လယ်ရှိ AI - အော်ရီဂွန်ပြည်နယ်သည် သမုဒ္ဒရာကို အချိန်နှင့်တပြေးညီ လေ့လာရန် ရွက်လွှင့်ခဲ့သည်။

"သိပ္ပံပညာကို ပြောင်းလဲစေမယ့် နည်းပညာတွေကို ကျွန်တော်တို့ ဂရုစိုက်ပါတယ်။"

— ခရစ္စတိုဖာ ဆူလီဗန်၊ ဒါရိုက်တာ – သုတေသနနှင့် ပညာရေးဆိုင်ရာ ကွန်ပျူတာပညာ – ကမ္ဘာမြေ၊ သမုဒ္ဒရာနှင့် လေထုသိပ္ပံကောလိပ် – အိုရီဂွန်ပြည်နယ်တက္ကသိုလ်

Hatfield ရေကြောင်းသိပ္ပံစင်တာ အတွင်းတည်ရှိသော Oregon State University ၏ Plankton Ecology Lab တွင် အခြေခံအဆောက်အအုံနှင့်ပတ်သက်သည့် ဆွေးနွေးမှုသည် သိပ္ပံနည်းကျရည်မှန်းချက်တစ်ခုဖြင့် စတင်ပါသည်။ နည်းပညာသည် သုတေသီများအား ပင်လယ်ပြင်တွင် ၎င်းတို့စုဆောင်းရရှိသော ထူးခြားသည့်ဒေတာအချက်တိုင်းကို ထိန်းသိမ်းနေစဉ် ကျွန်ုပ်တို့၏သမုဒ္ဒရာများကို ပိုမိုမြန်ဆန်စွာ နားလည်စေရန် မည်သို့ကူညီပေးနိုင်မည်နည်း။ အဖြေသည် ပြောင်းပြန်မဟုတ်ဘဲ သိပ္ပံပညာအတွက် ဝန်ဆောင်မှုပေးသည့် compute၊ GPU အရှိန်မြှင့်ခြင်းနှင့် dense NVMe storage တို့ပေါ်တွင် ပိုမိုမူတည်ပါသည်။

ဓာတ်ခွဲခန်းသည် မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော ပုံရိပ်များနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ တယ်လီမက်ထရီများကို ဖမ်းယူခြင်းဖြင့် ရေနေအစားအစာကွန်ရက်၏ အခြေခံအုတ်မြစ်ကို လေ့လာပြီးနောက် ထိုစီးဆင်းမှုများကို အတွေးအမြင်များအဖြစ်သို့ ပြောင်းလဲပေးသည်။ ထိုလုပ်ငန်းသည် စိတ်ကူးယဉ်ဆန်သော လုပ်ငန်းမဟုတ်ပါ။ ပြန်လည်ဖန်တီး၍မရသော သင်္ဘောများ၊ အာရုံခံကိရိယာများနှင့် အချိန်ပြတင်းပေါက်များပေါ်တွင် မှီခိုနေရသော လယ်ကွင်းသိပ္ပံပညာဖြစ်သည်။ ဒေတာဆုံးရှုံးခြင်းသည် အဆင်မပြေမှုမဟုတ်ပါ။ ဘယ်တော့မှ ပြန်မရနိုင်သော သမုဒ္ဒရာအတွင်းရှိ အခိုက်အတန့်တစ်ခု ဆုံးရှုံးခြင်းပင်ဖြစ်သည်။

ကြီးမားသော သိပ္ပံဆိုင်ရာမေးခွန်းများကို ဖြေဆိုရန်အတွက် ခိုင်မာသော ဟာ့ဒ်ဝဲများ လိုအပ်ပါသည်။ ကျွန်ုပ်တို့သည် OSU နှင့်အတူ GPU များကို မြင့်မားသောသိပ်သည်းဆ NVMe SSD များနှင့် တွဲဖက်ပေးသည့် Dell PowerEdge XE7745 ကို အတည်ပြုပေးရာတွင် လိုက်ပါလုပ်ဆောင်နေခဲ့ပြီး သုတေသီများသည် အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာ၊ ထိန်းသိမ်းပြီး မျှဝေနိုင်စေပါသည်။ အဓိကအားဖြင့် သမာဓိနှင့် ယုံကြည်စိတ်ချရမှုကို ဦးစွာအလေးပေးပြီးနောက် စကေးတွင် မြန်နှုန်းကို အလေးထားပါသည်။ ထိုနည်းအားဖြင့် နည်းပညာသည် သိပ္ပံပညာ၏ အလေ့အကျင့်ကို သီအိုရီထက် AI မှတစ်ဆင့် ပြောင်းလဲစေပါသည်။

စနစ်အတွင်းပိုင်း

• ဆာဗာ: Dell PowerEdge XE7745 (4U)
• ပရိုဆက်ဆာများ AMD EPYC 9555 64-Core နှစ်ခုပါ
• DRAM- ၂၄x၃၂GB – ၇၆၈GB
• GPU များ- ၄ × NVIDIA RTX Pro 6000 ဆာဗာ
• သိုလှောင်မှု: ၈ × Solidigm D5-P5336 E3.S 30.72 TB
• ကွန်ယက်အဖွဲ့: 100 Gb Ethernet လျှော့ချခြင်း

"နည်းပညာအားလုံးဟာ သိပ္ပံပညာကို ဘက်လိုက်ပြီးသားပါ။ စိန်ခေါ်မှုကတော့ အဲဒီကန့်သတ်ချက်တွေကို ဖယ်ရှားပေးမယ့် နည်းပညာကို ရှာဖွေဖို့ပါပဲ။"

Plankton များသည် ကမ္ဘာမြေပေါ်ရှိ သက်ရှိများ၏ မမြင်ရသော ဗိသုကာများဖြစ်သည်။ ဤအဏုကြည့်မှန်ပြောင်းဖြင့်သာမြင်နိုင်သော သက်ရှိများသည် ဂြိုဟ်၏ ဇီဝဗေဒအင်ဂျင်ကို မောင်းနှင်ပြီး ကမ္ဘာ့အောက်ဆီဂျင်၏ ထက်ဝက်ခန့်ကို ထုတ်လုပ်ပေးပြီး ပင်လယ်အစားအစာကွန်ရက်တိုင်း၏ အခြေခံအုတ်မြစ်ကို ဖွဲ့စည်းပေးသည်။ ၎င်းတို့သည် ကာဗွန်ဒိုင်အောက်ဆိုဒ် အမြောက်အမြားကို စုပ်ယူပြီး ကမ္ဘာ့ရာသီဥတုစက်ဝန်းများကို လွှမ်းမိုးကာ ဂေဟစနစ်ပြောင်းလဲမှု၏ အစောပိုင်းညွှန်ပြချက်များအဖြစ် ဆောင်ရွက်ပေးသည်။ Plankton ကို နားလည်ခြင်းဆိုသည်မှာ သမုဒ္ဒရာ၏ ကျန်းမာရေး၊ လေထုကို ထိန်းညှိရာတွင် ၎င်း၏ အခန်းကဏ္ဍနှင့် နောက်ဆုံးတွင် ဂြိုဟ်၏ အနာဂတ်တည်ငြိမ်မှုကို နားလည်ခြင်း ဖြစ်သည်။

ဆယ်စုနှစ်များစွာကြာအောင် plankton သုတေသနသည် နမူနာများစွာကို စုဆောင်းပေးသည့် ပိုက်ကွန်များကို အားကိုးခဲ့ပြီး ၎င်းတို့ကို မိုက်ခရိုစကုပ်အောက်တွင် ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။ ဤနည်းလမ်းများသည် လျှပ်တစ်ပြက်ပုံရိပ်များကိုသာ ထုတ်လုပ်ပေးပြီး သားကောင်များနှင့် သားကောင်များသည် ရေကော်လံ၏ တူညီသောဒေသတွင် အဆက်မပြတ် အပြန်အလှန် ဆက်သွယ်နေကြသည်ဟု ယူဆချက်သို့ မကြာခဏ ဦးတည်စေခဲ့သည်။ သမုဒ္ဒရာတစ်လျှောက် ဒေါင်လိုက်ရွေ့လျားနိုင်သော မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော ပုံရိပ်ဖော်စနစ်များသည် မတူညီသောပုံရိပ်ကို ဖော်ထုတ်ခဲ့သည်။ plankton မျိုးစိတ်များစွာနှင့် ၎င်းတို့၏ သားကောင်များသည် အနက်၊ အပူချိန်နှင့် အာဟာရဓာတ် gradient များဖြင့် ခွဲခြားထားသော မတူညီသော အလွှာများတွင် နေထိုင်ကြသည်။ ဤဖွဲ့စည်းပုံသည် ယခင်က မမြင်နိုင်ခဲ့ပေ။ ခေတ်သစ်ပုံရိပ်ဖော်ခြင်းသည် သုတေသီများအား မျိုးစိတ်များ၏ ရှိနေခြင်းကိုသာမက ၎င်းတို့၏ ဖြန့်ဖြူးမှု၊ အပြန်အလှန် ဆက်သွယ်မှုနှင့် ဤအပြန်အလှန် ဆက်သွယ်မှုများ မည်သို့ တိုးတက်ပြောင်းလဲလာသည်ကိုပါ လေ့လာနိုင်စေပါသည်။

OSU တွင် plankton ကိုလေ့လာရန် ကိရိယာများစွာရှိသော်လည်း ၎င်း၏အဓိကကိရိယာမှာ In Situ Ichthyoplankton Imaging System (ISIIS) ဖြစ်သည် ။ ISIIS သည် သမုဒ္ဒရာတစ်လျှောက် ခရီးသွားလာကာ ကြေးနီ/ဖိုက်ဘာအော့ပတစ် သမုဒ္ဒရာဂရပ်ဖစ်ဝါယာကြိုးမှတစ်ဆင့် အချက်အလက်များ ပြန်လည်ပေးပို့သည့် ဆွဲယူလာသောပလက်ဖောင်းတစ်ခုဖြစ်သည်။ အမွှာ 8K ကင်မရာများသည် စနစ်အတွင်း ပင်လယ်ရေစီးဆင်းနေချိန်တွင် plankton ၏ ပုံရိပ်များကို ရိုက်ကူးထားပြီး တစ်စက္ကန့်လျှင် ၁၆၀ လီတာအထိ ရိုက်ကူးနေစဉ် အပူချိန်၊ ဆားငန်ဓာတ်နှင့် အနက်ဒေတာများကို မှတ်တမ်းတင်ထားသည်။

ဒီလုပ်ငန်းစဉ်က နေ့စဉ် terabytes ဒေတာတွေကို ထုတ်လုပ်ပေးပါတယ်။ OSU ရဲ့ သိပ္ပံပညာရှင်တွေက သင်္ဘောသားတွေဟာ မျက်နှာပြင်အောက်မှာ မြင်တွေ့ရတဲ့အချက်တွေအပေါ် အခြေခံပြီး သူတို့ရဲ့ နမူနာယူလမ်းကြောင်းတွေကို ချိန်ညှိနိုင်အောင် ဒါကို အချိန်နဲ့တပြေးညီ ခွဲခြမ်းစိတ်ဖြာချင်ကြပါတယ်။

ရေရှည်ရည်မှန်းချက်မှာ AI မော်ဒယ်များသည် သက်ရှိများကို အလိုအလျောက် ခွဲခြားသတ်မှတ်နိုင်စေပြီး ပိုမိုကြီးမားသော ပတ်ဝန်းကျင်ပြောင်းလဲမှုများကို ကြိုတင်ခန့်မှန်းနိုင်သည့် plankton လူဦးရေတွင် ပြောင်းလဲမှုများကို ထောက်လှမ်းနိုင်စေရန်ဖြစ်သည်။ ဤပုံစံများကို အတိုင်းအတာတစ်ခုအထိ ဖမ်းယူရန်အတွက် အဆင့်မြင့် ပုံရိပ်ဖော်စနစ်များနှင့် အမြင်အာရုံရှုပ်ထွေးမှုများကို တိုင်းတာနိုင်သော အသိအမြင်များအဖြစ်သို့ ပြောင်းလဲပေးနိုင်သည့် တွက်ချက်မှုဆိုင်ရာ အခြေခံအဆောက်အအုံ နှစ်ခုလုံး လိုအပ်ပါသည်။

ယနေ့တွင်၊ Oregon State ၏ အတည်ပြုခြင်းလုပ်ငန်းကို ကုန်းပေါ်တွင် လုပ်ဆောင်ပြီး Dell PowerEdge XE7745 စနစ်သည် ISIIS ပလက်ဖောင်းမှ စုဆောင်းထားသော ကြီးမားသော ရုပ်ပုံအစုံများကို စီမံဆောင်ရွက်နေပါသည်။ ဤပတ်ဝန်းကျင်သည် သုတေသီများအား ၎င်းတို့၏ မော်ဒယ်များကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်နိုင်စေခြင်း၊ ဒေတာများ၏ တည်တံ့မှုကို အတည်ပြုခြင်းနှင့် သိပ္ပံနည်းကျ ဝန်ထုပ်ဝန်ပိုးများအောက်တွင် စနစ်၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်နိုင်စေပါသည်။ ရေရှည်ရည်မှန်းချက်မှာ ဤစွမ်းရည်ကို ကမ်းလွန်သို့ ရွှေ့ပြောင်းရန်ဖြစ်ပြီး၊ သုတေသနသင်္ဘောများတွင် တူညီသော တွက်ချက်မှုနှင့် သိုလှောင်မှုဗိသုကာကို ထည့်သွင်းထားခြင်းဖြင့် ပင်လယ်ပြင်တွင် ရှိနေစဉ် ဒေတာများကို စီမံဆောင်ရွက်ပြီး ခွဲခြမ်းစိတ်ဖြာနိုင်စေပါသည်။ ဓာတ်ခွဲခန်းအခြေပြု အတည်ပြုခြင်းမှ အချိန်နှင့်တပြေးညီ သမုဒ္ဒရာဖြန့်ကျက်မှုသို့ ထိုပြောင်းလဲမှုသည် ဒေတာစုဆောင်းခြင်း၊ ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ရှာဖွေတွေ့ရှိခြင်းကြားရှိ ကွင်းဆက်ကို နောက်ဆုံးတွင် ပိတ်ပစ်မည့်အရာဖြစ်သည်။

"ကျွန်တော်တို့ရဲ့ အကောင်းဆုံး လုပ်ငန်းစဉ်ကတော့ သင်္ဘောဆိပ်ကမ်းကို ရောက်တဲ့အခါ သိပ္ပံပညာ ပြီးမြောက်ပြီးသား ဖြစ်ရမှာပါ။"

အော်ရီဂွန်ပြည်နယ်တက္ကသိုလ်၏ သုတေသနအခြေခံအဆောက်အအုံ၏ နောက်တစ်ဆင့်သည် ကွန်ပျူတာကို လှိုင်းလုံးများဆီသို့ တိုက်ရိုက်ယူဆောင်လာပါသည်။ R/V Taani ကဲ့သို့သော လာမည့် ဒေသတွင်းအဆင့် သုတေသနရေယာဉ်များ အပါအဝင် တက္ကသိုလ်၏ သုတေသနရေယာဉ်အုပ်စုအသစ်ကို မြင့်မားသောစွမ်းဆောင်ရည်၊ တစ်စိတ်တစ်ပိုင်းကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရှိသော အချက်အလက်စုဆောင်းခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ပလက်ဖောင်းတစ်ခုအဖြစ် ဒီဇိုင်းထုတ်ထားပါသည်။ ဤသင်္ဘောများသည် မိုဘိုင်းဓာတ်ခွဲခန်းများအဖြစ် ဆောင်ရွက်မည်ဖြစ်ပြီး သိပ္ပံနည်းကျကိရိယာတန်ဆာပလာများ၊ အာရုံခံကိရိယာအစုအဝေးများနှင့် ယခုအခါ ကမ်းရိုးတန်းသို့ ပြန်မလာမီ တယ်ရာဘိုက်ဒေတာများကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည့် GPU-driven compute စနစ်များကို သယ်ဆောင်လာမည်ဖြစ်သည်။

ခရီးစဉ်တစ်ခုစီတွင် plankton imaging နှင့် digital fishes monitoring မှ acoustic mapping နှင့် environmental modeling အထိ တစ်ပြိုင်နက်တည်း စမ်းသပ်ချက်များစွာကို လက်ခံကျင်းပမည်ဖြစ်သည်။ ပင်လယ်ပြင်တွင် စိန်ခေါ်မှုမှာ ပါဝါမဟုတ်ဘဲ သိပ်သည်းဆဖြစ်သည်။ ပင်လယ်ပြင်တွင် IT ပံ့ပိုးမှုဝန်ထမ်း အကန့်အသတ်ရှိသောကြောင့် သင်္ဘောပေါ်ရှိ rack unit တိုင်းသည် အနည်းဆုံးရှုပ်ထွေးမှုဖြင့် အမြင့်ဆုံးစွမ်းဆောင်ရည်ကို ပေးဆောင်ရမည်ဖြစ်သည်။ Solidigm ၏ E3.S SSD များနှင့် NVIDIA RTX Pro 6000 GPU များပါရှိသော Dell ၏ PowerEdge XE7745 ၏ အတည်ပြုထားသော configuration ကို ဤသင်္ဘောအခြေပြု data center ဗျူဟာ၏ အုတ်မြစ်အဖြစ် အကဲဖြတ်လျက်ရှိသည်။ အချက်အလက်များကို အချိန်နှင့်တပြေးညီနီးပါး စီမံဆောင်ရွက်ခြင်းဖြင့် OSU ၏ သုတေသီများသည် နမူနာလမ်းကြောင်းများကို ချိန်ညှိနိုင်ခြင်း၊ ပုံမှန်မဟုတ်မှုများကို ရှာဖွေတွေ့ရှိနိုင်ခြင်းနှင့် လုပ်ဆောင်နေစဉ်အတွင်း အသိပေးသိပ္ပံနည်းကျ ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်မည်ဖြစ်သည်။

ဤချဉ်းကပ်မှုသည် အတုထောက်လှမ်းရေးကို လုပ်ငန်းစဉ်အတွင်း ပေါင်းစပ်နိုင်စေပါသည်။ သမိုင်းဝင် plankton ပုံရိပ်များဖြင့် လေ့ကျင့်ထားသော AI မော်ဒယ်များသည် သက်ရှိများကို အမျိုးအစားခွဲခြားနိုင်ခြင်း၊ ပတ်ဝန်းကျင်ဆိုင်ရာ ခေတ်ရေစီးကြောင်းများကို ဖော်ထုတ်နိုင်ခြင်းနှင့် ပစ်မှတ်မျိုးစိတ်များ မြင့်မားစွာပါဝင်သည့်နေရာများ ပေါ်လာနိုင်ခြေကိုပင် ခန့်မှန်းနိုင်သည်။ ထိုစွမ်းရည်သည် သုတေသနစူးစမ်းလေ့လာရေးခရီးစဉ်တစ်ခုကို passive data-collecting mission မှ active, adaptive exploration effort အဖြစ်သို့ ပြောင်းလဲပေးသည်။ ယုံကြည်စိတ်ချရသော၊ အပို NVMe storage နှင့် high-speed networking တို့နှင့် ပေါင်းစပ်လိုက်သောအခါ ရလဒ်အနေဖြင့် ရှာဖွေတွေ့ရှိမှုအတွက် ရည်ရွယ်ချက်ရှိရှိ တည်ဆောက်ထားသော ခံနိုင်ရည်ရှိသော edge-compute environment တစ်ခု ဖြစ်လာသည်။

OSU သုတေသနသင်္ဘောတိုင်းကို ကိုယ်ပိုင်ထိန်းချုပ်နိုင်သော၊ AI အသုံးပြုနိုင်သော နက္ခတ်တာရာကြည့်စခန်းတစ်ခုအဖြစ် ပြုလုပ်ရန် ရည်မှန်းချက်ဖြစ်သည်။ သင်္ဘော၏တူရိယာများမှ စုဆောင်းရရှိသောဒေတာများသည် onboard compute cluster များထဲသို့ တိုက်ရိုက်စီးဆင်းမည်ဖြစ်ပြီး သင်္ဘောဆိပ်ကမ်းသို့ပြန်ရောက်သည့်အခါ 100 Gb Ethernet ချိတ်ဆက်မှုများမှတစ်ဆင့် ခွဲခြမ်းစိတ်ဖြာ၊ မော်ကွန်းတင်ပြီး လျှော့ချနိုင်သည်။ သင်္ဘောဆိပ်ကမ်းသို့ရောက်ရှိချိန်တွင် သိပ္ပံပညာရှင်များသည် လက်တွေ့အသုံးချနိုင်သော ထိုးထွင်းသိမြင်မှုများ၊ အတည်ပြုထားသောရလဒ်များနှင့် ဒေတာတစ်ဘိုက်မျှ ပင်လယ်ထဲသို့ မဆုံးရှုံးခဲ့ကြောင်း ယုံကြည်မှုရှိပြီးသားဖြစ်လိမ့်မည်။

"ပင်လယ်ပြင်မှာ ပတ်ဝန်းကျင်ဆိုင်ရာ အချက်အလက်တွေကို ဖမ်းယူနေတဲ့အခါ တစ်နာရီတိုင်းဟာ ဒေါ်လာထောင်ပေါင်းများစွာ ကုန်ကျပါတယ်။"

Oregon State University ရဲ့ သုတေသနသင်္ဘောတွေပေါ်မှာ စုဆောင်းရရှိတဲ့ အချက်အလက်တွေဟာ သိပ္ပံပညာရပ်ဆိုင်ရာ အသိုင်းအဝိုင်းမှာ အဖိုးတန်ဆုံး အချက်အလက်တွေထဲက တစ်ခုဖြစ်ပါတယ်။ လုပ်ဆောင်ချက်ရဲ့ တစ်မိနစ်တိုင်းဟာ နောက်ထပ်ဘယ်တော့မှ မဖြစ်နိုင်တော့တဲ့ အခြေအနေတွေကို မှတ်တမ်းတင်ဖို့ သင်္ဘောအချိန်၊ လောင်စာဆီ၊ ဝန်ထမ်းနဲ့ ပစ္စည်းကိရိယာတွေကို ကိုယ်စားပြုပါတယ်။ အဲဒီအချက်အလက်ရဲ့ အစိတ်အပိုင်းလေးတစ်ခုတောင် ဆုံးရှုံးသွားတာက ရွေးချယ်စရာ မဟုတ်ပါဘူး။ Sullivan ရဲ့အဖွဲ့ဟာ သူတို့ရဲ့ အခြေခံအဆောက်အအုံကို အခြေခံပြီး ဒီဇိုင်းထုတ်ခဲ့တာကတော့ သင်္ဘောက ဆိပ်ကမ်းကို ပြန်မချိတ်ဆက်ခင်မှာ အစိတ်အပိုင်းတိုင်းကို ထိန်းသိမ်း၊ အတည်ပြုပြီး ခွဲခြမ်းစိတ်ဖြာရပါမယ်။

ထိုရည်မှန်းချက်ပြည့်မီစေရန်အတွက် OSU သည် GPU အရှိန်မြှင့်ထားသော workloads များအတွက် တည်ဆောက်ထားသော 4U လေအေးပေးစနစ်ပါ ပလက်ဖောင်းတစ်ခုဖြစ်သည့် Dell PowerEdge XE7745 ကို အတည်ပြုနေပါသည်။ ဤစနစ်သည် Blackwell ဗိသုကာပုံစံကိုအခြေခံသည့် NVIDIA RTX Pro 6000 Server GPU ရှစ်ခုအထိ (ဤကိစ္စတွင် လေးခု) နှင့် dual AMD EPYC processors များကို တွဲဖက်အသုံးပြုထားသည် ။ GPU တစ်ခုစီတွင် မြန်နှုန်းမြင့် GDDR7 memory 96 GB နှင့် အဆင့်မြင့် tensor cores များ ပါဝင်ပြီး AI inference နှင့် image processing အတွက် အထူးဒီဇိုင်းထုတ်ထားသောကြောင့် သုတေသီများသည် မြင့်မားသော resolution ရှိသော ပတ်ဝန်းကျင်ဆိုင်ရာဒေတာများကို အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာနိုင်စေပါသည်။

XE7745 ရဲ့ ကန့်သတ်ထားတဲ့ drive bay တွေက slot တစ်ခုစီရဲ့ စွမ်းရည်ကို အဓိကအချက်ဖြစ်စေခဲ့ပြီး OSU ကို 30.72TB Solidigm D5-P5336 E3.S SSD ရှစ်ခုကို ပေါင်းစပ်နိုင်ခဲ့ပါတယ် ။ ဒါက သေးငယ်တဲ့ footprint မှာ flash storage 250 TB နီးပါးကို ပေးစွမ်းနိုင်ပြီး Solidigm ရဲ့ QLC NAND စွမ်းဆောင်ရည်ကို ရေရှည်ရေးသားစွမ်းဆောင်ရည်နဲ့ data တည်ငြိမ်မှုအတွက် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ထားတဲ့ enterprise firmware နဲ့ ပေါင်းစပ်ထားပါတယ်။ နေရာနဲ့ အအေးပေးစနစ်တွေက အဖိုးတန်တဲ့ R/V Taani အတွက် ဒီ density က platform တစ်ခုလုံး၊ compute၊ GPU acceleration နဲ့ redundant storage တွေကို single 4U chassis တစ်ခုတည်းမှာ ထည့်သွင်းနိုင်စေပါတယ်။

"ဒီစနစ်တွေ ဘယ်လောက်ထိ လုပ်ဆောင်နိုင်မလဲဆိုတာ ကြည့်ဖို့ ကျွန်တော်တို့ အသေးစိတ် လေ့လာနေပါတယ်။"

Oregon State မှာ အတည်ပြုချက်အဆင့်ဟာ Dell PowerEdge XE7745 က plankton imaging workflow တစ်ခုလုံးကို အဆုံးထိ မည်မျှကောင်းမွန်စွာ ပံ့ပိုးပေးနိုင်တယ်ဆိုတာကို နားလည်ဖို့ အာရုံစိုက်ပါတယ်။ ရည်မှန်းချက်က အမြန်နှုန်းကို တိုင်းတာဖို့သာမကဘဲ စနစ်က သင်္ဘောလည်ပတ်မှုအတွင်း လိုအပ်တဲ့ စကေးနဲ့ အရှိန်အဟုန်နဲ့ ဒေတာတွေကို ယုံကြည်စိတ်ချစွာ စီမံဆောင်ရွက်နိုင်တယ်ဆိုတာ အတည်ပြုဖို့ပါ။

ယနေ့တွင်၊ ပုံမှန်သုတေသနဖြန့်ကျက်မှုတစ်ခုအတွင်း ဓာတ်ခွဲခန်းသည် တစ်နေ့လျှင် ပုံရိပ်နှင့် ပတ်ဝန်းကျင်ဆိုင်ရာဒေတာ ၁၅ တယ်ရာဘိုက်ကျော်ကို ဖမ်းယူနိုင်သည်။ XE7745 ပလက်ဖောင်းဖြင့် အဖွဲ့သည် လက်ရှိတွင် တစ်နေ့လျှင် raw ဗီဒီယို နှစ်တယ်ရာဘိုက်ခန့်ကို စီမံဆောင်ရွက်နေသည်။ ဤ workflow သည် segmentation အတွက် CPU cores ၂၅၆ ခုနှင့် NVIDIA RTX Pro 6000 Server GPU လေးခုကို အသုံးပြုသည်။ ရလဒ် pipeline သည် ယခင်မျိုးဆက် workflow ထက် သုံးဆခန့်မြန်ဆန်သည်။

အထင်ရှားဆုံးတွေ့ရှိချက်မှာ လက်ရှိအခက်အခဲမှာ storage throughput သို့မဟုတ် GPU processing မဟုတ်ဘဲ CPU segmentation ဖြစ်သည်။ RAID 10 ရှိ Solidigm D5-P5336 SSD များသည် processing pipeline ထက် နောက်ကျမကျန်စေဘဲ စဉ်ဆက်မပြတ် read နှင့် write စွမ်းဆောင်ရည်ကို ပေးစွမ်းနိုင်သည်။ GPU များသည် throughput headroom ကိုလည်း ထိန်းသိမ်းထားပြီး ပါဝါနှင့် အအေးပေးစနစ်များ ခွင့်ပြုသည့်အတိုင်း scale-out ရွေးချယ်မှုများကို ခွင့်ပြုသည်။ တစ်နည်းအားဖြင့် hardware သည် ကန့်သတ်ချက်မရှိတော့ပါ။ ဗိသုကာလက်ရာသည် ယခုအခါ အမှန်တကယ် သိပ္ပံနည်းကျ workload ကို ဖော်ထုတ်ပေးသောကြောင့် အဖွဲ့သည် segmentation stage ကို တိကျစွာ ချိန်ညှိနိုင်စေပါသည်။

လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ သက်ရောက်မှုမှာ သိသာထင်ရှားပါသည်။ ယခင်စူးစမ်းလေ့လာရေးခရီးစဉ်များတွင် သုတေသီများသည် ဗီဒီယိုစီးကြောင်းကို စုဆောင်းထားသည့်အတိုင်းသာ ကြည့်ရှုနိုင်ခဲ့ပြီး ၎င်းတို့သည် plankton ကြွယ်ဝသောရေကို နမူနာယူနေခြင်း သို့မဟုတ် ဆိုင်းငံ့ထားသော အမှုန်အမွှားများကို ဖမ်းယူနေခြင်းရှိမရှိကို အတည်မပြုနိုင်ခဲ့ပေ။ Plankton များသည် ရေစီးကြောင်းများကို လိုက်လံပြီး အချိန်နှင့်တပြေးညီ မမြင်နိုင်သော သိမ်မွေ့သောအလွှာများတွင် မကြာခဏ စုစည်းလေ့ရှိသည်။ လုပ်ဆောင်မှုမရှိပါက ဆယ်ရက်ကြာခရီးစဉ်သည် အသုံးဝင်သော သိပ္ပံပညာဆိုင်ရာတန်ဖိုး အနည်းငယ်သာရှိသော နာရီပေါင်းများစွာကြာ ဒေတာများကို ထုတ်လုပ်နိုင်သည်။

XE7745 တွင် semi-real-time processing ဖြင့် သိပ္ပံအဖွဲ့သည် ဒေတာစုဆောင်းစဉ်အတွင်း ဒေတာအရည်အသွေးကို အကဲဖြတ်နိုင်ပါပြီ။ ရုပ်ပုံများတွင် plankton အနည်းငယ်သာပြသပါက သင်္ဘောသည် ပင်လယ်ထဲတွင်ရှိနေစဉ်အတွင်း အနက်ကိုပြောင်းလဲနိုင်သည် သို့မဟုတ် ကိုဩဒိနိတ်အသစ်များသို့ ရွေ့လျားနိုင်သည်။ သတင်းအချက်အလက်အပြည့်အစုံဖြင့် ချိန်ညှိမှုများပြုလုပ်နိုင်သည့် ဤစွမ်းရည်သည် AI-accelerated computing သည် သုတေသနသင်္ဘောများတွင် နေရာရရှိရခြင်း၏ အဓိကအကြောင်းရင်းများထဲမှ တစ်ခုဖြစ်သည်။ ၎င်းသည် လေ့လာရေးခရီးစဉ်ကို passive data capture မှ active scientific exploration သို့ ပြောင်းလဲပေးသည်။

XE7745 စနစ်များကို ထပ်မံထည့်သွင်းလာသည်နှင့်အမျှ၊ နေ့စဉ်ဒေတာပမာဏတစ်ခုလုံးကို ကိုင်တွယ်ရန် လုပ်ဆောင်နိုင်စွမ်းကို တိုးချဲ့နိုင်သည်။ ထိုစကေးသည် သင်္ဘောပေါ်သုတေသန၏ ရုပ်ပိုင်းဆိုင်ရာလက်တွေ့အခြေအနေများနှင့် ဟန်ချက်ညီစေသည်- စွမ်းအင်အသုံးပြုမှု၊ အပူထုတ်ယူမှုနှင့် ရက်ခ်သိပ်သည်းဆ။ ထိုစိန်ခေါ်မှုများသည် နည်းပညာဆိုင်ရာမဟုတ်ဘဲ ပတ်ဝန်းကျင်ဆိုင်ရာဖြစ်ပြီး၊ ကွန်ပျူတာပလက်ဖောင်းသည် လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်ကြောင်း သက်သေပြခဲ့သောကြောင့် ယခုအခါ ၎င်းတို့ကို တိကျစွာမြင်တွေ့နိုင်ပါပြီ။

"မင်းရဲ့နည်းပညာက သိပ္ပံပညာကို ပြောင်းလဲနိုင်မယ်ဆိုရင် ဆွေးနွေးကြရအောင်။"

ယခင်က ဖုံးကွယ်ထားခဲ့သည့်အရာကို ကျွန်ုပ်တို့ မြင်နိုင်စွမ်းရှိလာသောအခါနှင့် သမုဒ္ဒရာများတွင် ထိုကဲ့သို့သော လျှို့ဝှက်ချက်များနှင့် ပြည့်နှက်နေသောအခါ သိပ္ပံနည်းကျ နားလည်မှု တိုးတက်လာပါသည်။ အိုရီဂွန်ပြည်နယ်တက္ကသိုလ်ရှိ ပုံရိပ်ဖော်ခြင်းလုပ်ငန်းစဉ်များသည် ယခုအခါ ရေနေအစားအစာကွန်ရက်တွင် အရေးပါသောအခန်းကဏ္ဍမှ ပါဝင်သည့် ရှားပါး plankton မျိုးစိတ်များကို ဖော်ထုတ်နေပြီး သမုဒ္ဒရာအပူချိန် မြင့်တက်လာခြင်းကဲ့သို့သော ပတ်ဝန်းကျင်ပြောင်းလဲမှုများသည် ၎င်းတို့၏ ရှင်သန်ရပ်တည်မှုကို မည်သို့အကျိုးသက်ရောက်သည်ကို ပြသနေပါသည်။ Plankton များသည် ဖိစီးမှုကို လျင်မြန်စွာ တုံ့ပြန်ပြီး ၎င်းတို့အား သမုဒ္ဒရာနှင့် ရာသီဥတုစနစ်များတွင် ပိုမိုကြီးမားသော ပြောင်းလဲမှုများ၏ အစောပိုင်းညွှန်ပြချက်များ ဖြစ်စေပါသည်။ ၎င်းတို့ကို အသေးစိတ်လေ့လာခြင်းသည် သမုဒ္ဒရာသည် အသက်ကို မည်သို့ထောက်ပံ့ပေးသည်နှင့် ထိုဟန်ချက်ညီမှုသည် မည်သို့ပြောင်းလဲနိုင်သည်ကို နားလည်ရန် အရေးကြီးပါသည်။

ဤတိုးတက်မှုသည် သိပ္ပံနည်းကျမေးခွန်းများကို တုံ့ပြန်သည့်အနေဖြင့် တိုးတက်ပြောင်းလဲလာသောကိရိယာများပေါ်တွင် မူတည်ပါသည်။ ခေတ်သစ်သုတေသနသည် ၎င်းတို့ထုတ်လုပ်သည့်ပတ်ဝန်းကျင်တွင် ကြီးမားသောဒေတာအစုံများကို စုဆောင်းခြင်း၊ လုပ်ဆောင်ခြင်းနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းစွမ်းရည် လိုအပ်ပါသည်။ ကြီးမားသောစွမ်းရည် NVMe သိုလှောင်မှုနှင့် GPU အရှိန်မြှင့်တင်မှုသည် ယခုအခါ ဗဟိုချုပ်ကိုင်ထားသောဒေတာစင်တာများကို အပြည့်အဝမှီခိုမည့်အစား ဒေတာရယူသည့်အချက်သို့ ပိုမိုနီးကပ်စွာ ရွေ့လျားနိုင်စေပါသည်။ OSU အတွက်၊ ဆိုလိုသည်မှာ သိပ္ပံနည်းကျဆုံးဖြတ်ချက်များသည် ဒေတာစုဆောင်းမှုလမ်းကြောင်းကို လွှမ်းမိုးနိုင်သည့် အစွန်းတွင် အချိန်နှင့်တပြေးညီ သို့မဟုတ် အချိန်နှင့်တပြေးညီနီးပါး ခွဲခြမ်းစိတ်ဖြာမှုကို ဆိုလိုပါသည်။

Oregon State University နှင့် ၎င်း၏ နည်းပညာမိတ်ဖက်များအကြား ပူးပေါင်းဆောင်ရွက်မှုသည် ရည်မှန်းချက်များနှင့် ရည်ရွယ်ချက်များကို မျှဝေနားလည်မှုကို ထင်ဟပ်စေသည်။ သုတေသန၏ ကန့်သတ်ချက်များသည် မေးမြန်းနေသော မေးခွန်းများတွင် မဟုတ်ဘဲ ပေးအပ်နေသော အဖြေများတွင် တည်ရှိသည်။ ကန့်သတ်ချက်များသည် သမုဒ္ဒရာမှ ပေးစွမ်းသော သတင်းအချက်အလက်ပမာဏကို အသုံးပြု၍ လုပ်ဆောင်နိုင်စွမ်းဖြစ်သည်။ တွက်ချက်မှု၊ သိုလှောင်မှုနှင့် လုပ်ငန်းစဉ်ဒီဇိုင်းတို့သည် သိပ္ပံနည်းကျ လိုအပ်ချက်များနှင့် ကိုက်ညီသောအခါ၊ ကန့်သတ်ချက်များသည် လျော့ပါးစပြုလာသည်။

ရှေ့ကိုကြည့်လျှင် ပလက်ဖောင်းများစွာတွင် လွှဲပြောင်းရန်မလိုအပ်ဘဲ ဒေတာများကို ဖမ်းယူ၊ ခွဲခြမ်းစိတ်ဖြာပြီး နားလည်နိုင်သော စနစ်များကို ဒီဇိုင်းဆွဲရာတွင် အခွင့်အလမ်းရှိသည်။ လုပ်ဆောင်မှုများသည် ပြောင်းပြန်မဟုတ်ဘဲ ဒေတာ၏ ဦးတည်ရာသို့ ရွေ့လျားသည်။ Shipboard computing clusters၊ dense NVMe storage နှင့် GPU-accelerated inference တို့သည် ထိုမော်ဒယ်ဆီသို့ ဦးတည်သော ခြေလှမ်းများဖြစ်သည်။ ၎င်းသည် “ရည်မှန်းချက်ကြီးသော AI” မဟုတ်ပါ။ ဤပရောဂျက်သည် သုတေသနကွန်ပျူတာတွင် သိသာထင်ရှားသော ပြောင်းလဲမှုတစ်ခု စတင်နေပြီဖြစ်ကြောင်း ပြသနေသည်။

သမုဒ္ဒရာဟာ ပြောင်းလဲနေပါတယ်။ အချက်အလက်တွေက အရေးကြီးပါတယ်။ ဒါကို နားလည်ဖို့ အခွင့်အလမ်းက အကန့်အသတ်ရှိပါတယ်။ Oregon State မှာ လုပ်ဆောင်ခဲ့တဲ့ လုပ်ဆောင်ချက်က သိပ္ပံပညာ ဖြစ်ပေါ်နေတဲ့ နေရာတွေမှာ မှန်ကန်တဲ့ နည်းပညာကို မှန်ကန်တဲ့ မေးခွန်းတွေဆီ၊ မှန်ကန်တဲ့ အချိန်မှာ ယူဆောင်လာတဲ့အခါ ဘာတွေ ဖြစ်လာနိုင်လဲဆိုတာကို ပြသနေပါတယ်။

SC25 မှာ Oregon State University ရဲ့ သုတေသနအကြောင်း ပိုမိုလေ့လာပါ။

Dell နည်းပညာများ ဆွေးနွေးပွဲ
ရက်စွဲ: အင်္ဂါနေ့ ၁၁/၁၈
အချိန်- ၁၀း၀၀ နာရီ
နေရာ: Dell ပြခန်းကြီး ဆွေးနွေးပွဲဧရိယာ

စူပါမိုက်ခရို ဆွေးနွေးပွဲ
ရက်စွဲ: ဗုဒ္ဓဟူးနေ့ ၁၁/၁၉
အချိန်: ညနေ ၆ း ၀၀
တည်နေရာ: Supermicro ပြခန်း #3504