Proyecto integrador. Las TIC en la sociedad S4.pptx
Francisco García y Javier Bau - Plataforma de IA para Medicina de Precisión
1.
2. ▪ Francisco García
Jefe de la Unidad de Bioinformática y Bioestadística del Centro de
Investigación Príncipe Felipe
▪ Javier Bau
Director de producto Big Data en Atos Iberia
PLATAFORMA DE IA PARA
MEDICINA DE PRECISIÓN
3.
4. Atos: Visión de la Inteligencia Artificial
El reto de la IA no es solo hacer máquinas que piensen si no encontrar el
camino para expandir la inteligencia humana.
Hoy en día, la inteligencia humana por sí sola ya no es suficiente para
entender y explorar el diluvio de datos de los que somos testigos.
Cada dieciocho meses, el volumen de datos que producimos se duplica.
Este crecimiento es el combustible de la revolución de la IA, pero tres
condiciones debe cumplirse para que las organizaciones la adopten
plenamente.
• Primero, necesitan identificar las situaciones y casos de uso donde
AI tiene más sentido y aporta el mayor valor.
• Segundo, necesitan tener acceso a herramientas y potencia de cómputo
para procesar y explorar estas enormes cantidades de datos.
• Por último, deben asegurarse de que pueden manejar la IA
De la forma más adecuada y segura.
5. What is our approach?
Enterprise
Computing
3Y roadmap with a meeting point
on Quantum roadmap
High
Performance
Computing
Edge
Computing
Next gen memory & node controler
New components targeting Exascale
New use cases
2017 2018 2019 2020
BullSequana S
(2 to 32 CPU + 2 to 32 GPU)
Machine Intelligence
(with Siemens)
BullSequana X
(GPU blades)
Knowledge Integration
Google Alliance
(ML Engine & APIs in the Cloud)
Pocket Computer Prototype
(embedded computing)
EPI
(European Processor Initiative with Vector acceleration)
EPI
(European Processor Initiative with Deep Learning acceleration)
READY
READY
READY
READY
Data Lake Appliance
(also used in Prescriptive SOC)
READY
READY
7. Studio – FastML UI
Dataset Management
• Upload /rename / download /delete datasets
• Set a relative path for trainings
• Archive file
• Choose datasets
• Select wished resources (CPU,GPU, RAM)
• Monitoring choice (tensorboard)
• Set hyper parameters range
• Set metadata with our trainings
• Launch a model training
Experiments Management
• Monitoring session handled by tensorboard
• Training logs are stored in an user context
Trainings Management
8. Forge – Boost your AI development
Big DataDeep LearningDevelopment
Forge
▶ Pre-trained models for enabling transfer learning
▶ Use cases for fast end-to-end deployment
▶ Technological components for setting-up user specific environment
and use case
Typical technical components proposed in the open source forge
9. AUTOMATED DEEP-LEARNING ENGINE
MODEL
MANAGEMENT
DATA SETS
MANAGEMENT
INFERENCE
MANAGEMENT
DL FRAMEWORK
MANAGEMENT
RESOURCE
MANAGEMENT
TRAINING
MANAGEMENT
FastML engine
Speed up Go-to-market
▶ Speed up ML trainings
▶ Provide automation for low added-value tasks
▶ Provide industrial functionalities for model development (experience traceability)
10. HPC Job
Scheduler
Virtual
Machines
Container as
a Service
Public
Cloud
Host Pool
▶ Fast application deployment on multiple environments
▶ Use of High Performance Data Analytics resources for large scale
trainings
▶ Use of cloud resources for other stages like reporting, visualization
Orchestrator
Orchestrator