Machine learning at speed : vimarsana.com

 E-Mail
IMAGE: Technology developed through a KAUST-led collaboration with Intel, Microsoft and the University of Washington can dramatically increase the speed of machine learning on parallelized computing systems.
view more 
Credit: © 2021 KAUST; Anastasia Serin.
Inserting lightweight optimization code in high-speed network devices has enabled a KAUST-led collaboration to increase the speed of machine learning on parallelized computing systems five-fold.
This "in-network aggregation" technology, developed with researchers and systems architects at Intel, Microsoft and the University of Washington, can provide dramatic speed improvements using readily available programmable network hardware.
The fundamental benefit of artificial intelligence (AI) that gives it so much power to "understand" and interact with the world is the machine-learning step, in which the model is trained using large sets of labeled training data. The more data the AI is trained on, the better the model is likely to perform when exposed to new inputs.

Related Keywords

Amedeo Sapio , Barefoot Networks , University Of Washington , Barefoot Network , Intel , Microsoft , Marco Canini , Algorithms Models , Calculations Problem Solving , Technology Engineering Computer Science , Computer Science , Multimedia Networking Interface Design , Software Engineering , வெறுங்காலுடன் நெட்வொர்க்குகள் , பல்கலைக்கழகம் ஆஃப் வாஷிங்டன் , வெறுங்காலுடன் வலைப்பின்னல் , இன்டெல் , மைக்ரோசாஃப்ட் , கணக்கீடுகள் ப்ராப்லம் தீர்க்கும் , தொழில்நுட்பம் பொறியியல் கணினி அறிவியல் , கணினி அறிவியல் , மல்டிமீடியா நெட்வொர்க்கிங் இடைமுகம் வடிவமைப்பு , மென்பொருள் பொறியியல் ,