SPEC establece un comité de aprendizaje automático para desarrollar puntos de referencia independientes del proveedor

SPEC establece un comité de aprendizaje automático para desarrollar puntos de referencia independientes del proveedor

  • Big Data
  • marzo 10, 2022
  • No Comment
  • 181
  • 3 minutes read


La Corporación de Evaluación de Desempeño Estándar. (SPEC) anunció la formación del Comité de aprendizaje automático de SPEC. El Comité SPEC ML desarrollará metodologías prácticas para evaluar comparativamente el rendimiento de la inteligencia artificial (IA) y el aprendizaje automático (ML) en el contexto de plataformas y entornos reales. El comité también trabajará con otros comités SPEC para actualizar sus puntos de referencia para entornos de ML. Los miembros actuales son AMD, Dell, Inspur, Intel, NetApp, NVIDIA y Red Hat.

«Las empresas de proyectos de IDC gastarán casi 342.000 millones de dólares en IA en 2021, y es importante que estas empresas entiendan lo que ese dinero puede comprar», dijo Arthur Kang, presidente del comité SPEC ML. “Este nuevo comité concebirá y desarrollará los puntos de referencia independientes del proveedor que los proveedores necesitan para probar sus soluciones en un mercado competitivo y que las empresas necesitan para tomar decisiones de compra informadas. Animo a cualquier persona interesada en el futuro del procesamiento de ML a unirse al comité SPEC ML y ayudar a dar forma a estos valiosos puntos de referencia”.

El Comité SPEC ML primero desarrolla puntos de referencia para medir el rendimiento de extremo a extremo de un sistema bajo prueba (SUT) que maneja tareas de entrenamiento e inferencia de ML. El objetivo de estos puntos de referencia es representar mejor las prácticas de la industria en relación con otros puntos de referencia existentes al incluir grandes porciones de la canalización de ML/DL de extremo a extremo, incluida la preparación de datos y la capacitación/inferencia. Este punto de referencia de terceros independiente del proveedor permitirá a los diseñadores de sistemas de ML comparar sus ofertas con las de sus competidores, y brindará a los usuarios de ML, como empresas y organizaciones de investigación académica, una mejor comprensión de cómo funcionan las soluciones en entornos del mundo real, lo que permite ellos para tomar mejores decisiones de compra.

Regístrese para recibir el boletín gratuito insideBIGDATA.

Únase a nosotros en Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1



Related post

Aprendizaje eficiente de video-texto con co-tokenización iterativa

Aprendizaje eficiente de video-texto con co-tokenización iterativa

Publicado por AJ Piergiovanni y Anelia Angelova, científicos investigadores, Google Research, Brain Team Los videos son una fuente omnipresente de contenido…
Resolviendo un misterio de larga data en la transferencia de calor |  Noticias del MIT

Resolviendo un misterio de larga data en la transferencia…

Es un problema que ha intrigado a los científicos durante un siglo. Pero reforzado por un premio Distinguished Early Career Award…
Método único para separar nanopartículas

Método único para separar nanopartículas

Que La transferencia, acumulación y separación de nanopartículas son procesos clave en bioquímica, fisiología, farmacología y ciencia de materiales. Un estudio…

Leave a Reply

Tu dirección de correo electrónico no será publicada.