全新Watson Machine Learning Accelerator助力机器学习训练，速度超越竞争对手46倍

文/IBM认知系统人工智能与HPC业务部副总裁Sumit Gupta

现如今，很多企业希望借助人工智能技术推动业务价值的增长，这一目标需要通过构建由人工智能优化的硬件和软件组成的基础设施来实现，从而突破性能障碍并随时随地提供人工智能相关洞见。

虽然人工智能引发企业变革已不再是幻想，但其技术应用和普及仍然面临着巨大的阻碍，其中最大的挑战是大多数组织和机构内部目前缺乏开拓人工智能相关技术的能力。据Gartner 2019年针对首席信息官做的相关调查显示 ，当问及组织机构应用人工智能所主要面临的三大挑战时，有54%的受访者认为是“员工缺乏必要的技能”，另有27%的受访者则认为是“将人工智能与现有基础设施融合的复杂性较高”。

IBM也曾收到过类似的客户反馈，这正是IBM今天将Watson人工智能能力与IBM Systems的人工智能基础设施结合起来的原因所在——帮助企业减少人工智能应用过程中所面临的阻碍。我很高兴可以为大家展示全新的Watson Machine Learning Accelerator（WML Accelerator），这是一款全新的Watson Machine Learning（WML）产品，旨在帮助企业训练和部署内置于IBM Watson Studio中的机器学习模型，并采用IBM Watson OpenScale进行监测。

让企业机器学习“易如反掌”

IBM人工智能战略的强大之处在于我们实现了端到端的全方位的人工智能，践行了“人工智能的基础在于相互优化的硬件和软件紧密配合”这一理念。当客户使用专为人工智能设计、优化和加速的基础设施时，可同步了解到其性能提升的潜力，这将有助于企业更快地获得洞察价值，从而支持更大规模的企业级人工智能项目。

在IBM Think 2018时，我们成功验证过这套策略的强大优势，当展示运行在IBM Power Systems 服务器上的IBM SnapML机器学习库的性能时，结果显示SnapML机器学习库在以广告为主的数据集上运行机器学习，以46倍 超过谷歌云（Google Cloud）i的速度创下了万亿级数据集的全新纪录。

自此，IBM研究人员一直努力改进，从而使SnapML成为一个为企业所用的更优工具。通过集成新的自动化功能，IBM使那些暂时没有配备如忍者数据科学家（ninja data scientists）的企业用户可以更容易地使用机器进行学习，减少机器学习流程中时间密集却又必不可少的任务类型（例如模型选择和超参数调整等任务）的数量。通过跨集群扩展，以及跨多核CPU和功能强大的现代CPU的扩展，SnapML能够及时识别精确的模型及其超参数配置，从而帮助企业获得潜在的竞争优势。

伯明翰大学研究计算基础设施架构师Simon Thompson表示：“很多用户并没有意识到开源机器学习目录到底有多么庞大，以及要为特定数据或预期结果找到合适工具有多么困难。SnapML的自动化模型和数据库选择功能极大地缩短了破解上述难题所需的时间，从而使用户可以更快速地开始机器学习训练。”

基于这些新工具，IBM研究院构建了一个基于SnapML的自动学习架构，并在5个数据集中运行企业应用案例，如预测旅客错过航班的可能性，有人点击在线广告的可能性，求职者的最优薪酬等应用。此外，还有一个更有趣但也更严格的数据集，即预测5张随意分发的扑克牌出现同花顺的可能性。

我们在4台IBM Power Systems AC922服务器集群上运行这个基于SnapML的架构，每台服务器都配备了两个20核IBM POWER9 CPU及4个GPU。为了更直观地进行对比，在完全相同的配置条件下部署了两个顶级的开源自动化机器学习架构。通过内部观测结果发现，在所有5个数据集上，基于SnapML的架构所达到的特定精度高达另一组竞争架构的10倍及以上水平。

将IBM Watson与IBM Power Systems完美融合

我们相信，采用一套完整跨越IBM平台的人工智能策略，可以使我们的客户能够随时随地且全面实现人工智能应用。WML Accelerator是IBM首次设计的一款集成IBM Watson和IBM Power Systems的人工智能解决方案，结合了IBM最卓越的人工智能软件与和硬件。在致力于普及人工智能的同时，IBM还宣布在IBM Power Systems与IBM Storage基础上推出适用于数据存储的IBM Cloud Private (ICP) for Data，与搭载Watson的 ICP for Data平台一起，继续开启客户使用人工智能相关技术的无限可能性，随时随地以差异化的优质服务助力客户在竞争中独具优势。