一站式AI研发云平台，一键拉起机器学习开发环境，将GPU资源利用率快速提升到极致
针对六家公有云厂商AWS、阿里云、Azure、GoogleCloud、华为云、腾讯云的四种资源类型，按最优区域、北京区域、上海区域、美国....
fastoneScheduler，简称Fsched，是速石科技所有产品的核心调度组件。Ta是面向HPC集群的操作系统，是HPC集群的“大脑”，用于对....
计算机/人工智能辅助新药研发不是什么新鲜事物，早在1981年10月5日，美国《财富》杂志就对计算机辅助的药物发现进行了专题报道....
超算发展了40年，终于遇到了一个像样的对手——云计算，天生互联网基因，为追逐商业利益而生。飞速发展的云计算，甚至让超算界....
国内企业在找CADD/AIDD人才方面现在是什么情况？我们在国内9个主流招聘平台，相隔半年先后调查了两次，一共覆盖134家公司....
场景说明
本地GPU管理平台
MLOps研发平台
集群化管理平台构建
PyTorch
AI计算
1单机训练，本地多台机器无法进行统一管理，资源利用率低
2GPU资源分散，只能单机使用，难以进行分布式训练
3缺乏资源使用管理流程，日常使用基本靠抢
4模型、数据集和镜像散落在单机上，没有统一的平台管理，维护工作繁琐
5训练任务环境配置复杂、费时费力，移植难度高
6难以对训练效果进行评估分析和调优
Pytorch、TensorFlow、MXNet
嵌入式环境模型开发
1不同开发团队之间共享GPU服务器，服务器的资源分配目前是手动完成，效率很低且管理复杂
2开发环境管理混乱，且由于网络限制，许多依赖安装流程繁琐，影响开发团队效率
3由于手动管理，所有GPU服务器的使用情况没有监控，无法得知资源的使用效率
4实验管理、超参数调优、分布式训练等需求无法满足
机器人控制
1本地资源有限，需要在研究员之间分配GPU资源
2使用工作站无法满足一些规模较大的模型训练的算力需求
3实验室没有专人管理基础架构，需要管理和基本的运维监控
4研究员希望保持GPU资源的接入方式不变
AlphaFold2
蛋白质三维结构的预测
1本地计算资源有限，多部门争抢，导致许多任务被推迟，效率不高
2AlphaFold2需要使用GPU来加速蛋白质结构的预测，在实际业务中最多一次需跑十几个任务，并发需求多，如果按峰值购买GPU卡，一次性投入较高