Welke pc heb ik nodig voor AI-ontwikkeling?

Of het nu gaat om het ontwikkelen van de medicijnen die we gebruiken, het kiezen van de volgende video om naar te kijken of het controleren van het weer, AI vindt een manier om het dagelijks leven te beïnvloeden. En naarmate de computerhardware verbetert, wordt het ontwikkelen van een AI thuis toegankelijker voor kleine ontwikkelaars en enthousiastelingen. Vandaag bespreken we een aantal hardwareoverwegingen waar je aan moet denken voordat je een pc bouwt voor AI-ontwikkeling.

Het is geen geheim dat bij het ontwikkelen van AI groter beter is. De grootste bedrijven ter wereld spenderen miljoenen dollars aan het kopen van de beste apparatuur om AI te ontwikkelen. En hoewel het mogelijk is om iets van die kracht voor jezelf te gebruiken, kan het bouwen van je eigen systeem helpen om je workflow te optimaliseren en op de lange termijn geld te besparen.

Houd er rekening mee dat de brede toepassing van AI en machine learning ook betekent dat er geen pasklare oplossing is, dus zorg ervoor dat je rekening houdt met de omvang en de soorten gegevens waarmee je verwacht te gaan werken. Het is de bedoeling dat deze gids slechts een startpunt is voor het overwegen van de verschillende factoren die van invloed kunnen zijn op uw behoeften op het gebied van AI-ontwikkeling.

Om met een sterke basis te beginnen, is het belangrijk om een krachtige CPU te gebruiken met een hoog aantal kernen, hyperthreading en hoge snelheden die de grote hoeveelheden gegevens die je zult invoeren snel kunnen verplaatsen. Houd daarnaast rekening met de CPU-intensieve processen die deel uitmaken van je ontwikkelworkflow. Dingen zoals fysica simulaties en pre-processing die misschien gewoon deel uitmaken van je normale werklast kunnen een aanzienlijke belasting vormen wanneer ze op grote schaal worden toegepast.

Naast de typische CPU werkbelasting, wil je er zeker van zijn dat hij de rest van je systeem kan ondersteunen. Hoewel dit geen normale zorg is voor de gemiddelde gamer, wil je misschien verder gaan dan de normale behoeften om je persoonlijke project van stroom te voorzien. CPU's uit het hogere segment, zoals Intel's Xeon-lijn en AMD's Threadripper-serie, kunnen 8 of meer sticks RAM ondersteunen terwijl ze tot 4 grafische kaarten kunnen aansturen via hun extra PCIe-lanes. Sommige moederborden kunnen zelfs meer dan 4 GPU's ondersteunen, maar we lopen op de zaken vooruit.

NVIDIA is onmiskenbaar koploper op het gebied van GPU-versnelling in machine learning en AI-toepassingen. Hun dominantie op de markt betekent dat aan de softwarekant veel ML frameworks specifiek zijn geoptimaliseerd voor NVIDIA GPU's. Dit is grotendeels te danken aan de tensor cores die sinds de 20-serie in alle RTX-kaarten zitten. Dit is voor een groot deel te danken aan de tensor cores die sinds de 20-serie in alle RTX-kaarten zitten. Tensor cores zijn speciale chips die gespecialiseerd zijn in functies die worden gebruikt om neurale netwerken te trainen. Ze hebben veel nieuwe functies mogelijk gemaakt, zoals gemengde precisiebewerkingen, waardoor er meer controle is over de afweging tussen snelheid en diepte.

Met de toenemende VRAM-eisen zijn zelfs typische gamers op zoek naar een beetje extra en hetzelfde geldt ook voor ontwikkelaars. Sommige van de populairste AI- en ML-producten draaien nu om het genereren en manipuleren van afbeeldingen. Het trainen van dit soort netwerken vereist een dataset van afbeeldingen die tijdens de training naar VRAM worden geschreven. 12 GB is voldoende om mee te beginnen, maar zoals altijd moet je rekening houden met het soort werk dat je gaat doen en dit aanpassen.

RAM volgt een gelijkaardig verhaal als VRAM. Het stelt je computer in staat om grotere gegevenssets en instructies voor te bereiden die sterk variëren afhankelijk van het soort werk dat je doet. Over het algemeen wordt geadviseerd om al je testgegevens in het RAM te laden voordat je ermee aan de slag gaat, dus grote volumes zijn altijd aan te raden. We raden ten minste 32 GB aan, maar met de komst van DDR5 kun je nu tot 48 GB op een enkele stick krijgen. Onze CORSAIR VENGEANCE 2x48GB kit zou bijvoorbeeld perfect zijn voor deze toepassing.

Tenslotte moeten al die gegevens op lange termijn worden opgeslagen. De hoge snelheden van NVMe SSD's zijn cruciaal voor het verplaatsen van grote hoeveelheden gegevens naar het RAM, wat cruciaal is als je werkt met meer gegevens dan je RAM kan bevatten. High-end NVMe-schijven zoals onze MP600 kunnen tot 4 TB aan gegevens bevatten, maar langzamere SATA-schijven of HDD's kunnen worden gebruikt voor langdurige opslag van grotere volumes. Voor het trainingsproces worden deze niet aanbevolen, maar ze kunnen de enige optie zijn voor extreem grote gegevenssets.

Naarmate de industrie meer AI-specifieke hardware implementeert, wordt het gebruik en het maken van deep learning software steeds toegankelijker. We hopen dat deze gids u helpt na te denken over enkele overwegingen die u moet maken bij het bouwen van een pc voor AI-ontwikkeling. Kijk op CORSAIR.com voor onze beste producten voor koeling, RAM, opslag en meer voor je volgende bouw.