Ya sea desarrollando los medicamentos que tomamos, eligiendo el próximo vídeo que vamos a ver o simplemente comprobando el tiempo que hace, la IA está encontrando la forma de influir en la vida cotidiana. Y a medida que mejora el hardware informático, desarrollar una IA en casa se hace más accesible para pequeños desarrolladores y entusiastas. Hoy vamos a repasar algunas de las consideraciones de hardware en las que querrás pensar antes de construir un PC para el desarrollo de IA.
No es ningún secreto que, cuando se desarrolla IA, más grande es mejor. Las mayores empresas del mundo gastan millones de dólares en comprar los mejores equipos para desarrollar IA. Y aunque es posible aprovechar parte de esa potencia para ti, construir tu propio sistema podría ayudarte a optimizar tu flujo de trabajo y ahorrarte dinero a largo plazo.
Tenga en cuenta que la amplia aplicación de la IA y el aprendizaje automático también implica que no existe una solución única para todos los casos, así que asegúrese de tener en cuenta el tamaño y los tipos de datos con los que espera trabajar. Pretendemos que esta guía sea sólo el punto de partida para considerar los diferentes factores que pueden afectar a sus necesidades de desarrollo de IA.
Para empezar con una base sólida, es importante utilizar una CPU potente con un elevado número de núcleos, hyperthreading y velocidades rápidas que puedan mover con rapidez las grandes cantidades de datos que vas a introducir. Además, ten en cuenta los procesos intensivos de CPU que forman parte de tu flujo de trabajo de desarrollo. Cosas como las simulaciones físicas y el preprocesamiento, que pueden formar parte de tu carga de trabajo normal, pueden suponer un esfuerzo considerable cuando se aplican a gran escala.
Más allá de la carga de trabajo típica de la CPU, debes asegurarte de que puede soportar el resto del sistema. Aunque esta no es una preocupación normal para el jugador medio, es posible que quieras ir más allá de las necesidades normales para alimentar tu proyecto personal. Las CPU de gama más alta, como la línea Xeon de Intel y la serie Threadripper de AMD, pueden admitir 8 o más memorias RAM y alimentar hasta 4 tarjetas gráficas a través de sus carriles PCIe adicionales. De hecho, algunas placas base pueden soportar más de 4 GPU, pero nos estamos adelantando.
Es innegable que NVIDIA está a la vanguardia de la aceleración de aplicaciones de aprendizaje automático e IA en la GPU. Su dominio del mercado significa que, en lo que respecta al software, muchos marcos de ML están optimizados específicamente para las GPU NVIDIA. Esto se debe en gran parte a los núcleos tensoriales que se han incluido en todas las tarjetas RTX desde la serie 20. Los núcleos tensoriales son chips dedicados que se especializan en funciones utilizadas para entrenar redes neuronales. Han hecho posibles muchas funciones nuevas, como las operaciones de precisión mixta, que permiten un mayor control sobre el equilibrio entre velocidad y profundidad.
Con los crecientes requisitos de VRAM, incluso los jugadores típicos buscan un poco más, y lo mismo ocurre con los desarrolladores. Algunos de los productos de IA y ML más populares giran ahora en torno a la generación y manipulación de imágenes. Para entrenar este tipo de redes se necesita un conjunto de datos de imágenes que se escribirán en la VRAM durante el entrenamiento. 12 GB son suficientes para empezar pero, como siempre, ten en cuenta el tipo de trabajo que vas a realizar y ajústalo en consecuencia.
La RAM sigue una historia similar a la VRAM. Permitirá a tu ordenador preparar conjuntos de datos e instrucciones más grandes, que variarán mucho en función del tipo de trabajo que estés realizando. Generalmente se aconseja cargar la totalidad de tus datos de prueba en la RAM antes de trabajar con ellos, por lo que siempre se aconsejan grandes volúmenes. Recomendamos al menos 32 GB, pero con la llegada de la DDR5, ahora puedes conseguir hasta 48 GB en una sola memoria. Por ejemplo, nuestro kit CORSAIR VENGEANCE 2x48GB sería perfecto para esta aplicación.
Por último, todos esos datos tendrán que estar almacenados a largo plazo. Las altas velocidades de las unidades SSD NVMe serán fundamentales para mover grandes cantidades de datos a la memoria RAM, lo que es crítico si estás trabajando con más datos de los que puede contener tu memoria RAM. Las unidades NVMe de gama alta, como nuestro MP600, pueden almacenar hasta 4 TB de datos, pero se pueden utilizar unidades SATA o HDD más lentas para un mayor volumen de almacenamiento a largo plazo. Para el proceso de formación, no se recomiendan, pero pueden ser la única opción para conjuntos de datos extremadamente grandes.
A medida que la industria implementa más hardware dedicado a la IA, el uso y la creación de software de aprendizaje profundo son cada vez más accesibles. Esperamos que esta guía le ayude a reflexionar sobre algunas de las consideraciones que deberá tener en cuenta a la hora de crear un PC para el desarrollo de IA. Visite CORSAIR.com para encontrar nuestros mejores productos de refrigeración, RAM, almacenamiento y mucho más para su próxima creación.
PRODUCTS IN ARTICLE
