Utilizando hardware Intel®, Intel® Integrated Performance Primitives (Intel® IPP) y la biblioteca de análisis de datos Intel® oneAPI (oneDAL), Anodot mejoró el desempeño de sus algoritmos de función de autocorrelación (ACF) y XGBoost, lo que redujo significativamente el tiempo y los costos de cómputo del aprendizaje automático (ML) asociados con la supervisión empresarial autónoma y la detección de anomalías.
La empresa de análisis de datos creó una solución para sus clientes que identifica los incidentes comerciales más importantes en tiempo real a través de modelos que analizan cientos de millones de métricas de series temporales por minuto. Para la plataforma de detección de anomalías, se necesita escalabilidad ilimitada y administración eficaz de los costos informáticos a medida que crece, además de mejorar la velocidad, la eficiencia y la precisión del entrenamiento y la inferencia de los modelos.
Aunque Anodot ya ejecuta su plataforma de IA en las CPU de Intel®, el equipo ejecutó pruebas de desempeño en la plataforma de procesador escalable Intel® Xeon® en una colaboración extendida. Mediante optimizaciones en el ACF que utilizan Intel IPP para la detección de anomalías, el equipo registró un desempeño de entrenamiento hasta 127 veces más rápido y una reducción del costo general del 66% en la ejecución del algoritmo de entrenamiento en un entorno de nube, gracias a que recortó el tiempo de ejecución de la ACF en casi un 99%. Las optimizaciones en los algoritmos XGBoost que utilizan oneDAL y el modelo XGBoost de base para pronósticos dieron lugar a un tiempo de inferencia 4 veces más rápido, así como a permitir que el servicio analizara 4 veces la cantidad de datos sin costo adicional para la inferencia. 1
"Cuando eliges una plataforma de aprendizaje automático, necesitas pensar en la escala a medida que tu negocio crece", dijo Ira Cohen, director de datos de Anodot. "Por lo tanto, la eficiencia de los modelos y la eficacia de los costos informáticos se vuelven cada vez más importantes. Nuestras pruebas de desempeño muestran que el software de Intel y la plataforma Xeon nos ofrecen beneficios de eficiencia que nos permitirán ofrecer una calidad de servicio aún mayor a menor costo".
Más: Lea el caso de estudio completo: "Anodot optimiza los servicios de detección de anomalías".
1 Al reducir el tiempo de ejecución de ACF en casi un 99%, el tiempo de ejecución de los algoritmos generales se reduce en casi un 66%. Suposiciones proporcionadas por Anodot. Costo de instancia/hora de CPU (4 vCPU) USD 0,050; Cantidad de horas de CPU por métrica de 1 M - 500; # Los entrenamientos se ejecutan por mes 10. Documento técnico de referencia para obtener información detallada sobre las pruebas realizadas por Anodot.
Anodot realizó pruebas de desempeño en instancias de AWS en noviembre de 2021. Puede encontrar información más detallada en esta documentación técnica de Intel: "Acelerar la detección y pronóstico a escala de anomalías basadas en el aprendizaje automático en tiempo real"
Intel no controla ni audita los datos de terceros. Le recomendamos consultar otras fuentes para evaluar la exactitud.