顧客は HPE Machine Learning Development ソリューションの主要なターゲットであるため、議論を続ける必要があります。お客様の専任の IT スタッフがいれば、少なくとも 14 個の CPU を備えたオンプレミス GPU クラスターを導入する準備が整います。HPE Machine Learning Development Environment は、ML モデルの開発、管理、展開に必要なツールとテクノロジーを提供する包括的なソリューションです。これには、分散トレーニング フレームワーク、オーケストレーション レイヤー、強力な開発環境、統合された MLOps プラットフォームが含まれています。このソリューションを使用すると、顧客は ML/DL プロジェクトを拡張し、チームをスケールアップできます。

HPE Machine Learning Development Environment がこの問題点にどのように対処するかを説明する最良の方法は、このソリューションがトレーニング プロセス中に定期的にチェックポイントを取得し、失敗したトレーニングを最新のチェックポイントから自動的に再開できることを言及することです。これにより、ハードウェア障害が発生した場合でも、エンジニアは作業を失うことなく、最後に成功したチェックポイントからトレーニングを再開できることが保証されます。

HPE Machine Learning 開発環境のリソース プールでトライアルを実行中に GPU に障害が発生した場合、コンダクターはプール内の別の利用可能な GPU でトライアルを再スケジュールし、トライアルは最新のチェックポイントから再開されます。トライアルは失敗せず、ML エンジニアは WebUI を使用して最新のチェックポイントから手動で再起動する必要がありません。