Avons-nous suffisamment de GPU pour manifester le potentiel de l’IA ?

En 2023, peu de technologies ont suscité autant d’attention, de spéculations et de promesses que l’IA. Nous sommes sans aucun doute au milieu d’un cycle de battage médiatique sans précédent sur l’IA.

D’une certaine manière, le moment s’apparente à une ruée vers l’or des temps modernes, alors que les innovateurs, les investisseurs et les entrepreneurs réclament à grands cris de capitaliser sur les promesses et le potentiel de la technologie.

À l’instar de la ruée vers l’or en Californie au XIXe siècle, la frénésie actuelle a donné naissance à deux types d’entrepreneurs. Certains travaillent dur pour tirer parti de l’IA afin de poursuivre la « prochaine grande avancée » technologique, souvent insaisissable. D’autres vendent des pioches et des pelles proverbiales.

Accélération de la demande de GPU malgré une offre limitée

Avec cette demande d’IA avancée, il y a un appétit insatiable pour Unités de traitement graphique (GPU) qui alimentent la technologie. Nvidia est un leader incontesté dans ce domaine, ayant récemment dépassé les projections de Wall Street et poussant sa valorisation au-dessus de 1 000 milliards de dollars.

Pourtant, dans le même temps, l’offre de GPU est limitée, ce qui menace d’atténuer l’impact de l’IA au moment même où son potentiel dans le monde réel atteint son paroxysme.

Autrefois très populaires parmi les joueurs de jeux vidéo et les amateurs d’informatique, les GPU ont connu une demande croissante pendant la pandémie à mesure que les crypto-monnaies comme le Bitcoin sont devenues populaires. Ces monnaies numériques nécessitent une puissance de calcul importante et les GPU sont bien adaptés à cette tâche. À mesure que la valeur des crypto-monnaies augmentait, de nombreuses personnes ont commencé à les exploiter, créant ainsi une demande massive de GPU.

L’offre était encore limitée par des entreprises opportunistes, notamment des scalpers, qui emploient souvent des robots automatisés pour acheter rapidement des GPU.

Selon Goldman Sachsla pénurie mondiale de GPU causée par la pandémie a touché 169 secteurs.

Avons-nous suffisamment de GPU ?

Aujourd’hui, la montée en puissance des projets d’apprentissage profond à grande échelle et des applications d’IA pousse la demande à son paroxysme.

Mais la production et la disponibilité actuelles des GPU sont insuffisantes pour manifester le potentiel en constante évolution de l’IA. De nombreuses entreprises ont du mal à obtenir le matériel nécessaire à leurs opérations, ce qui freine leur capacité d’innovation.

Alors que les fabricants continuent d’augmenter la production d’unités GPU, de nombreuses entreprises sont déjà entravées par l’accessibilité des GPU.

Selon Fortunele PDG d’OpenAI, Sam Altman, a reconnu en privé que les contraintes d’approvisionnement en GPU avaient un impact sur les activités de l’entreprise.

Dans un Audience du CongrèsAltman a affirmé que les produits seraient meilleurs si moins de personnes les utilisaient, car les pénuries technologiques ralentissent les performances.

Le le journal Wall Street rapporte que les fondateurs et les entrepreneurs d’IA « supplient les vendeurs d’Amazon et de Microsoft d’avoir plus de pouvoir ». Cela a incité certaines entreprises à acheter d’immenses quantités de capacité de cloud computing afin de les réserver pour de futures opportunités.

Comment les entreprises peuvent s’adapter

Les entreprises ont hâte que les techniques de fabrication et les chaînes d’approvisionnement répondent à la demande croissante. Cependant, ils peuvent adapter leur approche pour réduire la demande de puces et maximiser les opportunités d’innovation. Voici comment.

Envisagez d’autres solutions

Tous les problèmes ne nécessitent pas l’IA, et ce qui l’accompagne Gourmand en GPU capacité de calcul.

Par exemple, les entreprises peuvent exploiter d’autres solutions informatiques pour des tâches telles que le prétraitement des données et l’ingénierie. Les machines basées sur un processeur peuvent gérer efficacement les tâches de prétraitement des données telles que le nettoyage des données, la mise à l’échelle des fonctionnalités et l’extraction des fonctionnalités.

Ces tâches sont souvent effectuées avant la formation d’un modèle et peuvent être exécutées sur des processeurs sans surcharge de calcul significative.

Dans le même temps, la maintenance prédictive, un cas d’utilisation courant de l’IA dans lequel des algorithmes analysent les données des capteurs pour prédire les pannes d’équipement, peut être gérée par des solutions informatiques moins performantes.

Tous les équipements ou systèmes ne nécessitent pas des Modèles d’IA pour des prédictions précises. Dans certains cas, des approches statistiques ou basées sur des règles plus simples peuvent suffire à identifier les besoins de maintenance, réduisant ainsi le besoin de mises en œuvre complexes de l’IA.

De même, les techniques d’analyse d’images et de vidéos basées sur l’IA ont retenu beaucoup d’attention, mais toutes les applications ne nécessitent pas l’IA pour obtenir des résultats précis. Des tâches telles que la simple catégorisation d’images ou la reconnaissance d’objets de base peuvent souvent être réalisées avec des techniques et des algorithmes traditionnels de vision par ordinateur sans avoir recours à des modèles complexes d’apprentissage en profondeur.

Enfin, même si l’IA peut fournir des capacités d’analyse avancées, les entreprises se précipitent parfois pour adopter des plateformes d’analyse basées sur l’IA sans évaluer soigneusement leur infrastructure de données et leurs besoins existants. Dans certains cas, des outils de business intelligence traditionnels ou des méthodes statistiques plus simples peuvent suffire à tirer des enseignements des données sans avoir recours à la complexité de l’IA.

Développer des algorithmes d’IA plus efficaces

Des algorithmes d’IA plus efficaces pourraient réduire la puissance de traitement requise pour les applications d’IA, rendant ainsi les GPU moins nécessaires.

Par exemple, l’apprentissage par transfert, qui permet d’exploiter des modèles pré-entraînés pour des tâches spécifiques, peut être affiné sur des machines basées sur CPU pour des applications spécifiques, même si elles ont été initialement formées sur des GPU. Cette approche peut être particulièrement utile pour les scénarios avec des ressources informatiques limitées.

Les machines à vecteurs de support (SVM) et les classificateurs Naive Bayes sont d’autres algorithmes d’apprentissage automatique (ML) puissants qui peuvent être utilisés pour les tâches de classification et de régression. Les classificateurs SVM et Naive Bayes peuvent être entraînés sur un processeur et ne nécessitent pas de GPU.

Trouver des moyens alternatifs d’alimenter les applications d’IA

L’exploration de matériels alternatifs pour alimenter les applications d’IA présente une voie viable pour les organisations qui s’efforcent d’assurer un traitement efficace. En fonction des exigences spécifiques de la charge de travail de l’IA, les processeurs, les réseaux de portes programmables sur site (FPGA) et les circuits intégrés spécifiques à une application (ASIC) peuvent constituer d’excellentes alternatives.

Les FPGA, connus pour leur nature personnalisable, et les ASIC, spécialement conçus pour un cas d’utilisation particulier, ont tous deux le potentiel de gérer efficacement les tâches d’IA. Cependant, il est essentiel de noter que ces alternatives peuvent présenter des caractéristiques de performances et des compromis différents.

Par exemple, même si les FPGA offrent flexibilité et r-programmabilité, ils ne fournissent pas nécessairement la puissance de calcul brute des GPU. De même, bien qu’ils offrent des performances élevées, les ASIC n’ont pas la flexibilité des FPGA ou des GPU. Par conséquent, une évaluation minutieuse est essentielle avant de choisir le bon matériel pour un usage spécifique. Tâches d’IA.

De plus, l’externalisation du traitement GPU vers des fournisseurs de cloud ou de calcul est une autre solution plausible pour les entreprises à la recherche d’un calcul d’IA efficace et évolutif.

Les GPU ne sont pas la seule solution pour le calcul haute performance. En fonction de la charge de travail spécifique de l’IA, les entreprises peuvent explorer des accélérateurs matériels alternatifs capables de fournir des résultats comparables même lorsque le matériel GPU est rare.

À la recherche de l’or du GPU dans le flux de l’IA

L’incroyable croissance de l’IA et de ses technologies associées comme l’apprentissage profond, ainsi que l’essor des jeux, de la création de contenu et de l’extraction de cryptomonnaies, ont créé une profonde pénurie de GPU qui menace de bloquer une ère d’innovation avant qu’elle ne commence véritablement.

Cette ruée vers l’or des temps modernes vers l’IA obligera les entreprises à s’adapter aux réalités opérationnelles, devenant ainsi plus innovantes, agiles et réactives. De cette manière, la pénurie de GPU présente à la fois un défi et une opportunité.

Les entreprises disposées à s’adapter seront les mieux placées pour prospérer, tandis que celles qui ne peuvent pas sortir des sentiers battus se retrouveront obligées d’exploiter l’or sans pioche ni hache.

Ab Gaur est fondateur et PDG de Boucle verticale et directeur des données et de la technologie chez Ogilvy.