Раскрытие возможностей серверов графических процессоров для продвинутых вычислений и глубокого обучения

В быстро меняющемся мире технологий, Серверы GPU have become vital to advanced computing and deep learning. These servers are equipped with high-performance Graphics Processing Units (GPUs) that offer unmatched computational power; thus, they have revolutionized data-intensive operations. Unlike CPUs, which were used traditionally, GPUs are designed for parallel processing. They can handle many tasks simultaneously, making them suitable for modern applications such as artificial intelligence and machine learning, which require high-throughput processing. This paper discusses the inherent benefits of using GPU servers in accelerating computations and describes their contribution to speeding up different scientific and industrial processes while simplifying complex simulations. We also hope to make people understand better why these machines are so important by giving some examples of where they can be applied both theoretically and practically based on technical background information, besides showing various fields of science or industries affected directly.

Что такое графический процессор и как он работает?

Понимание основ графических серверов

По своей сути сервер графического процессора представляет собой компьютерную систему, которая использует один или несколько графических процессоров (GPU) для выполнения вычислений. В отличие от центральных процессоров (ЦП), которые предназначены для задач последовательной обработки, графические процессоры могут более эффективно выполнять массовые параллельные вычисления. Таким образом, такие серверы могут одновременно обрабатывать огромные объемы данных, используя многочисленные ядра графического процессора. Это делает их идеальными для таких приложений, как графический рендеринг, обучение моделей глубокого обучения или выполнение сложных численных симуляций, где необходимая вычислительная мощность огромна. В большинстве случаев серверы графических процессоров состоят из центральных и графических процессоров, которые работают вместе: центральный процессор выполняет обработку общего назначения, а графический процессор ускоряет специализированные параллельные вычисления; это приводит к гораздо более высокой производительности, чем мог бы достичь любой отдельный процессор в таких системах.

Роль графических процессоров Nvidia в современных серверах

Современные серверы в значительной степени полагаются на графические процессоры Nvidia, поскольку они не имеют себе равных по вычислительной мощности и эффективности. Эти графические процессоры известны своей сложной архитектурой, а также моделью программирования CUDA (Compute Unified Device Architecture), которая делает их очень мощными с точки зрения параллельной обработки, необходимой для решения сложных вычислительных задач, таких как AI, ML или большие данные. аналитика. Будь то искусственный интеллект, машинное обучение или крупномасштабный анализ данных — эти карты могут значительно ускорить вычисления, сокращая время обработки, необходимое для завершения. В дополнение к этому, при интеграции с серверными средами они обеспечивают оптимальное использование ресурсов, тем самым улучшая общую производительность системы и одновременно позволяя выполнять сложные алгоритмы и симуляции с невиданной ранее скоростью.

Как серверы графических процессоров ускоряют вычислительные нагрузки

Серверы с графическими процессорами ускоряют вычисления во много раз за счет параллельной обработки, огромной вычислительной мощности и модифицированной архитектуры для выполнения сложных операций. Эти чипы имеют тысячи процессоров, которые могут выполнять несколько задач одновременно; следовательно, они быстрее обрабатывают приложения с интенсивным использованием данных, такие как AI, ML и рендеринг, среди других. Такие серверы достигают более высокой скорости выполнения задач, запуская их на графических картах, что можно выполнять одновременно, в отличие от традиционных систем, которые используют для этой цели только процессоры. Более того, программное обеспечение Nvidia CUDA позволяет программистам оптимизировать свои коды, чтобы в полной мере использовать преимущества такого рода оборудования, тем самым еще больше повышая производительность и одновременно сокращая задержки во время вычислительных задач. В этом случае и центральные, и графические процессоры используются вместе, так что каждый компонент работает на максимальном уровне мощности, тем самым обеспечивая лучшие общие результаты для различных типов программ.

Почему стоит выбирать серверы Nvidia с графическим процессором для искусственного интеллекта и машинного обучения?

Преимущества графических процессоров Nvidia для обучения искусственному интеллекту

Обучение искусственному интеллекту во многом выигрывает от графических процессоров Nvidia. Во-первых, их структура параллельной обработки состоит из тысяч ядер, что позволяет одновременно выполнять множество вычислений, что значительно ускоряет процесс обучения сложных моделей машинного обучения. Во-вторых, разработчики получают мощную производительность графического процессора, оптимизированную для искусственного интеллекта, благодаря платформе Nvidia CUDA; таким образом, время обучения может быть сокращено, а точность модели повышена. В-третьих, высокая пропускная способность памяти графических процессоров Nvidia обеспечивает эффективное управление большими наборами данных, необходимых для обучения моделей глубокого обучения. И последнее, но не менее важное: его экосистема, включающая в себя библиотеки программного обеспечения, такие как cuDNN или TensorRT, среди прочих, которые обеспечивают полную поддержку вместе с регулярными обновлениями, чтобы исследователи в этой области всегда имели доступ к текущим разработкам в области технологий графических карт – все эти причины ясно дают понять. почему любой человек, имеющий дело с ИИ, захочет использовать его во время работы над различными задачами, связанными с искусственным интеллектом.

Преимущества глубокого обучения с серверами Nvidia GPU

Для приложений глубокого обучения серверы Nvidia GPU имеют множество преимуществ. Они могут выполнять тысячи параллельных вычислений одновременно, используя несколько ядер, и это значительно ускоряет обучение модели, а также задачи вывода. Платформа CUDA оптимизирует рабочие нагрузки глубокого обучения, обеспечивая эффективное использование аппаратных ресурсов. Высокая пропускная способность памяти обеспечивается графическими процессорами Nvidia, что необходимо для обработки больших наборов данных, часто используемых в глубоком обучении. Кроме того, у Nvidia имеется широкий спектр программного обеспечения, например библиотеки cuDNN и TensorRT, которые обеспечивают высокую производительность и масштабируемость моделей глубокого обучения. Все эти функции проясняют, почему следует выбирать графические процессоры Nvidia при развертывании или масштабировании операций для моделей глубокого обучения.

Роль CUDA от Nvidia в вычислениях на графических процессорах

Nvidia’s Compute Unified Device Architecture (CUDA) is extremely important to GPU computing as it provides a parallel computing platform and programming model that is made for Nvidia GPUs. By using CUDA, developers can tap into the power of Nvidia GPUs for general-purpose processing or GPGPU, where the functions usually handled by the CPU are offloaded to the GPU so as to enhance efficiency. Thousands of GPU cores are used by this platform to carry out concurrent operations, which greatly speed up various computational tasks such as scientific simulations and data analysis, among others.

Архитектура CUDA состоит из широкого спектра инструментов разработки, библиотек и API, которые позволяют создавать и оптимизировать высокопроизводительные приложения. Инструменты разработки cuBLAS (для плотной линейной алгебры), cuFFT (для быстрых преобразований Фурье) и cuDNN (для глубоких нейронных сетей) обеспечивают оптимизированную реализацию общих алгоритмов, тем самым повышая производительность приложений. Он также поддерживает несколько языков программирования, включая C, C++ и Python, что обеспечивает гибкость при разработке и интеграцию с существующими рабочими процессами.

Essentially, what this means is that with CUDA, you can make use of all the computational capabilities offered by Nvidia GPUs, hence making it possible for them to be used in areas requiring high processing power like artificial intelligence (AI), machine learning(ML), etcetera. Thus, its groundbreaking effect highlights the significance that CUDA has on modern GPU computing since it gives necessary tools plus a framework for coming up with next-generation apps.

Каковы ключевые компоненты высокопроизводительного сервера с графическим процессором?

Основные параметры процессора и графического процессора

При выборе компонентов для высокопроизводительного сервера с графическим процессором следует рассматривать процессор и графический процессор вместе, чтобы обеспечить наилучшую производительность.

Опции процессора:

• AMD EPYC Series: The AMD EPYC processors, such as the EPYC 7003 series, have high core counts and strong performance. They are excellent at multi-threading and offer great memory bandwidths which make them perfect for data-intensive tasks.
• Масштабируемые процессоры Intel Xeon. Серия Intel Xeon (особенно модели Platinum и Gold) ориентирована на надежность и высокую пропускную способность. Некоторые функции, которые они предоставляют, включают поддержку большого объема памяти, а также надежную безопасность, что важно для корпоративных приложений.
• AMD Ryzen Threadripper Pro: эта линейка может похвастаться высоким уровнем производительности, разработанным специально для профессиональных рабочих станций или тяжелых вычислительных нагрузок. Процессоры Ryzen Threadripper Pro имеют много ядер/потоков, что делает их подходящими для приложений, которым требуется большая вычислительная мощность.

Выбор графического процессора:

• Графический процессор Nvidia A100 с тензорным ядром: A100 был создан для искусственного интеллекта, анализа данных и высокопроизводительных вычислений (HPC). Он имеет поддержку MIG и массивный параллелизм, что позволяет ему лучше выполнять задачи, требующие значительной вычислительной эффективности.
• Nvidia RTX 3090: Хотя RTX 3090 в основном используется в качестве графического процессора потребительского уровня, его можно встретить на некоторых высокопроизводительных рабочих станциях, поскольку он имеет огромную видеопамять и ядра CUDA, которые делают его пригодным для глубокого обучения, рендеринга или научного моделирования.
• AMD Radeon Instinct MI100: этот графический процессор AMD с усовершенствованной архитектурой предназначен для рабочих нагрузок высокопроизводительных вычислений и искусственного интеллекта, где необходим хороший баланс между конкурентоспособной производительностью и широкой поддержкой крупномасштабной параллельной обработки.

Стратегически выбирая процессоры и графические процессоры, предприятия могут создавать серверы с графическими процессорами, достаточно подходящие даже для выполнения самых ресурсоемких вычислительных задач, обеспечивая при этом сбалансированную производительность на ватт эффективности.

Понимание PCIe и NVMe на серверах с графическим процессором

Двумя важными технологиями в архитектуре серверов графических процессоров, которые напрямую влияют на их производительность и энергоэффективность, являются Peripheral Component Interconnect Express (PCIe) и Non-Volatile Memory Express (NVMe).

PCIe: A high-speed standard of an input/output interface designed to connect different hardware devices such as graphic cards, storage drives or network adapters directly to the motherboard. It comes with multiple lanes, each described by its data transfer rate (x1, x4, x8, x16, etc.), thus offering substantial bandwidth. PCIe lanes in GPU servers provide fast communication between the CPU and GPUs, thereby minimizing latency and maximizing computational throughput.

НВМе: Non-Volatile Memory Express is a storage protocol that capitalizes on the speed advantages offered by PCI Express for solid-state drives (SSDs). It differs from traditional protocols like SATA by operating over a PCIe bus directly, hence significantly reducing latency while increasing IOPS (Input/Output Operations Per Second). In GPU servers, NVMe SSDs are used to cope with large datasets typical of AI, machine learning, and data analytics due to their high throughput and low latency storage solutions.

Взаимодействие между PCI Express и энергонезависимой памятью Express внутри серверов графических процессоров позволяет процессорам вместе с ресурсами хранения работать с максимальной скоростью, тем самым улучшая плавный поток информации и повышая производительность вычислений. Эта комбинация необходима для тяжелых рабочих нагрузок по передаче данных с высокой интенсивностью вычислений, поскольку она обеспечивает эффективность и надежность во время работы.

Серверы с графическим процессором в стойке и корпусе Tower

При выборе сервера с графическим процессором вам следует подумать, стоит ли выбирать стойку или вертикальный вариант. Необходимо учитывать такие факторы, как пространство, масштабируемость, эффективность охлаждения и сценарии развертывания.

Серверы с графическим процессором, монтируемые в стойку: Эти серверы предназначены для размещения в серверной стойке; поэтому они имеют компактную конструкцию, что позволяет экономить место в центрах обработки данных. Другими словами, стойки позволяют разместить более высокую плотность графических процессоров на ограниченной площади, что делает их идеальными для крупномасштабных развертываний. Их масштабируемость проста благодаря модульности. Кроме того, они выигрывают от лучшего охлаждения, поскольку стойки часто оснащены современными воздушными или жидкостными системами, которые поддерживают оптимальную рабочую температуру.

Серверы Tower с графическим процессором: Tower GPU servers look like standard desktop PCs and are usually utilized at smaller offices where there is no rack infrastructure or it is not needed. This kind of server allows more freedom in terms of component location and airflow, which can be useful when using different configurations for cooling. Towers as standalone units are generally easier to deploy while offering enough power for less intensive applications. However, their size is bigger than that of rackmounts; thus, they occupy more space physically besides having a lower density of GPUs per unit, making them unsuitable for extensive computational needs.

Короче говоря, наиболее подходящей средой для стоечных серверов с графическим процессором будут крупномасштабные центры обработки данных с высокой плотностью размещения, необходимыми системами охлаждения и эффективным использованием пространства. С другой стороны, башенные системы хорошо вписываются в небольшие, менее требовательные системы, где простота развертывания и гибкость имеют наибольшее значение.

Как выбрать правильный сервер графического процессора для ваших рабочих нагрузок искусственного интеллекта?

Анализ ваших потребностей в искусственном интеллекте и глубоком обучении

Когда дело доходит до выбора графического сервера для задач искусственного интеллекта и глубокого обучения, вам необходимо знать, чего именно вы хотите. Вот некоторые вещи, которые вам следует иметь в виду:

1. Производительность. Определите, насколько мощными должны быть ваши модели ИИ. Если у вас большие нейронные сети, требующие обучения или выполнения других высокопроизводительных задач, выбирайте серверы с несколькими высокопроизводительными графическими процессорами.
2. Масштабируемость. Вы должны подумать, есть ли возможности для расширения. Таким образом, если вы ожидаете быстрого роста, выбирайте серверы, монтируемые в стойку, поскольку они могут вместить больше графических процессоров на меньших площадях.
3. Бюджет: Учитывайте финансовые возможности. Обратите внимание, что решение для монтажа в стойку, как правило, является дорогостоящим из-за передовых систем охлаждения, а также плотной установки, тогда как серверы Tower могут хорошо работать там, где бюджеты низкие, а операции не очень масштабны.
4. Потребление энергии и управление теплом. Разные серверы имеют разные требования к электропитанию и охлаждению. Стоечные системы выигрывают от охлаждения центров обработки данных, тогда как для башенных систем требуются мощные автономные охладители.
5. Deployment Environment: Look at where everything will be set up against what already exists around it, i.e., infrastructure. In case of having space in a data center, use this, but otherwise, go with towers, especially if space is limited or things are far apart, like offices.

Учитывая эти факторы, можно легко определить лучший тип сервера графического процессора для задач искусственного интеллекта и глубокого обучения, что обеспечивает максимальное использование и масштабируемость.

Nvidia A100 против Nvidia H100: что выбрать?

Чтобы выбрать между Nvidia A100 и Nvidia H100, вы должны знать, для чего лучше всего использовать эти графические процессоры и какие улучшения они внесли. Nvidia A100 на базе архитектуры Ampere универсален в задачах искусственного интеллекта, анализа данных и высокопроизводительных вычислений (HPC). Это соответствует производительности FP19.5 в 32 терафлопс, а также поддержке технологии нескольких экземпляров графического процессора (MIG), которая позволяет разделить один графический процессор A100 на более мелкие независимые экземпляры.

С другой стороны, новая Nvidia H100, основанная на архитектуре Hopper, обеспечивает значительные улучшения с точки зрения производительности и энергоэффективности; он хорошо работает в обучении искусственного интеллекта и выводе с производительностью более 60 терафлопс FP32. Он представляет Transformer Engine, который ускоряет модели на основе трансформаторов, что делает его идеальным для крупномасштабных приложений искусственного интеллекта.

В заключение, широкий спектр возможностей использования вместе с поддержкой MIG — это то, что делает Nvidia A100 хорошей с точки зрения гибкости в отношении различных типов задач, тогда как, с другой стороны, беспрецедентный уровень производительности в сочетании со специализированными возможностями, необходимыми для тяжелых задач. Дежурные рабочие нагрузки искусственного интеллекта обеспечиваются H100. Поэтому выбирайте то, что соответствует конкретным потребностям в производительности и прогнозам будущей масштабируемости ваших проектов.

Как оптимизировать серверы графических процессоров для достижения максимальной производительности?

Настройка вашего графического сервера для приложений HPC

Существует несколько важных настроек, которые можно выполнить, чтобы оптимизировать сервер графического процессора для приложений HPC. Во-первых, выберите подходящее оборудование, соответствующее вашим вычислительным требованиям. Например, выберите графические процессоры с высокой пропускной способностью памяти и вычислительной мощностью, такие как Nvidia A100 или H100. Во-вторых, убедитесь, что ЦП вашего сервера дополняет возможности графического процессора, поскольку сбалансированная производительность между этими двумя компонентами помогает устранить узкие места.

В дополнение к этому важно иметь хорошие системы охлаждения и достаточный источник питания, который обеспечит максимальную работу графических процессоров даже при высоких нагрузках. Что касается программного обеспечения, установите актуальные драйверы, а также набор инструментов CUDA, чтобы вы могли использовать все функции, встроенные в оборудование. Если ваше приложение HPC работает в распределенной системе, используйте MPI (интерфейс передачи сообщений) для эффективной связи между узлами графического процессора. Более того, точная настройка управления памятью вместе с использованием инструментов мониторинга производительности, таких как NVIDIA Nsight, может выявить ограничения производительности и, следовательно, улучшить работу графического сервера в период его максимальной производительности.

Лучшие практики для поддержания производительности графического процессора

Чтобы поддерживать максимально возможную производительность графического процессора на протяжении всего срока службы вашего сервера, вам необходимо придерживаться некоторых лучших практик, рекомендованных лидерами отрасли.

1. Регулярные обновления драйверов и программного обеспечения. Обязательно регулярно обновляйте драйверы графического процессора вместе с другим соответствующим программным обеспечением, например набором инструментов CUDA, до последних доступных версий; это не только повысит производительность, но и исправит ошибки, которые могут снизить его эффективность.
2. Адекватное охлаждение и вентиляция. Вам необходимо правильно управлять температурой. Очистите компоненты вашего графического процессора от пыли и других частиц и убедитесь, что в серверной комнате достаточно воздуха, чтобы она не перегревалась; хорошее охлаждение может значительно продлить срок его службы, а также сохранить его производительность.
3. Управление источниками питания: всегда используйте надежные источники питания, которые способны обеспечить достаточное количество энергии, не вызывая снижения производительности или даже повреждения оборудования из-за колебаний мощности; это может повлиять на работу графической карты больше, чем что-либо еще.
4. Регулярный мониторинг и обслуживание: используйте инструменты для мониторинга, такие как NVIDIA Nsight Systems или GPU-Z, которые позволяют пользователям часто проверять температуру среди других; это может помочь обнаружить узкие места на более раннем этапе, помимо их устранения.
5. Оптимизация рабочих нагрузок: нужно знать, как распределяются рабочие нагрузки, используя возможности графических процессоров, а затем сбалансировать выполняемые вычисления в зависимости от их сильных сторон; используйте приложения для планирования заданий для эффективного распределения задач, чтобы все ресурсы использовались полностью, не перегружая ни одну карту.

При строгом выполнении этих шагов можно добиться устойчивости скорости графических процессоров, одновременно повышая эффективность вычислений, тем самым защищая инвестиции в оборудование.

Повышение производительности сервера за счет эффективного охлаждения

Для поддержания максимальной производительности сервера необходимо обеспечить эффективность охлаждения. Вот несколько способов добиться этого:

1. Планировка серверной комнаты. Правильное расположение серверов с горячими и холодными коридорами может значительно увеличить поток воздуха и повысить эффективность охлаждения. Это означает, что серверные стойки должны быть обращены друг к другу в чередующихся рядах так, чтобы передняя часть одного ряда была обращена к задней части другого, отталкивая тем самым теплый воздух от холодного всасываемого воздуха.
2. Мониторинг окружающей среды. Размещение датчиков в разных частях серверной комнаты для тщательного мониторинга уровня температуры и влажности может помочь выявить области, в которых наблюдается больше тепла, чем другие, что позволяет оперативно принять корректирующие меры. Непрерывный мониторинг также позволяет осуществлять корректировку в режиме реального времени для поддержания оптимальных условий эксплуатации.
3. Cooling Infrastructure: Among the most efficient methods of cooling high-density server environments include; in-row cooling systems, overhead cooling systems or even liquid cooled cabinets which provide directed cooling. These precision systems are better than traditional air conditioners because they offer more accurate temperature control management.

Внедрение этих методов позволит системным администраторам эффективно управлять тепловыми нагрузками, предотвращать перегрев и продлевать срок службы критически важных аппаратных компонентов.

Часто задаваемые вопросы (FAQ)

Вопрос: Каковы преимущества использования серверов с высокопроизводительными графическими процессорами для сложных вычислений и задач глубокого обучения?

Ответ: Высокопроизводительные серверы с графическим процессором очень полезны для сложных вычислений и глубокого обучения. Устройства имеют более высокую скорость обработки данных, лучшую мощность параллельных вычислений, а также повышенную эффективность обработки больших наборов данных; функции, которые необходимы для приложений искусственного интеллекта и машинного обучения, к которым предъявляются высокие требования.

Вопрос: Как серверы с 4 графическими процессорами повышают производительность требовательных рабочих нагрузок ИИ?

Ответ: Серверы с 4 графическими процессорами, например, с графическими процессорами Nvidia A100, увеличивают вычислительную мощность за счет одновременной работы различных графических процессоров, тем самым повышая производительность для ресурсоемких рабочих нагрузок искусственного интеллекта. Это позволяет быстрее обучать модели и быстрее выполнять логические выводы, что приводит к более высокой пропускной способности в целом, а также повышает эффективность задач глубокого обучения.

Вопрос: В каких конфигурациях форм-фактора вы можете получить серверы с графическим ускорением?

О: Существуют серверы с графическим ускорением разных размеров, включая конструкции для монтажа в стойку 1U, 2U и 4U. Например, серверы Supermicro высотой 4U допускают плотную установку с эффективным охлаждением, тогда как меньшие установки высотой 1U обеспечивают возможность экономии места в центрах обработки данных.

Вопрос: Почему процессоры AMD EPYC™ 9004 подходят для искусственного интеллекта и высокопроизводительных вычислений?

A: AMD EPYC™ processors such as the 9004 series offer superior I/O capabilities due to large memory bandwidths and high core counts being their main design focus. These CPUs are a perfect fit when it comes to artificial intelligence or any other calculation-heavy application that demands significant amounts of computational resources combined with efficient handling of data.

Вопрос: Какова роль масштабируемых процессоров, таких как масштабируемые процессоры Intel® Xeon® поколения, в серверах с графическим процессором?

О: Масштабируемые процессоры (например, масштабируемый процессор Intel® Xeon®) обеспечивают адаптируемую основу, на которой можно построить мощные серверы с графическим процессором. Они позволяют легко переходить от небольших развертываний к более крупным, сохраняя при этом уровень эффективности в различных масштабах. Кроме того, этот тип процессора может похвастаться расширенными функциями, такими как высокоскоростное соединение и улучшенные протоколы безопасности, которые значительно повышают производительность в средах с графическим ускорением.

Вопрос: Как улучшается производительность сервера при использовании слотов PCIe 5.0 x16?

A: In comparison to previous generations, this type of slots offer higher bandwidths and faster rates for data transfers. These changes substantially increase the ability of GPU cards (and other peripherals working at high speed) that are installed in servers to handle intensive computational tasks.

Вопрос: Каковы особенности графических процессоров Nvidia A100, которые делают их идеальными для приложений машинного и глубокого обучения?

О: Новейшая технология тензорного ядра включена в их конструкцию графическими процессорами Nvidia A100, поэтому они обеспечивают непревзойденную производительность, когда речь идет о приложениях машинного обучения или глубокого обучения. Эти устройства обладают исключительной вычислительной мощностью, масштабируемостью и эффективностью, что делает их идеальными для рабочих нагрузок и сред, управляемых искусственным интеллектом.

Вопрос: Какие преимущества серверы высотой 4U, монтируемые в стойку, приносят центрам обработки данных?

Ответ: Улучшенный воздушный поток и охлаждение, повышенная плотность вычислительных ресурсов, улучшенная пространственная эффективность, среди прочего, — вот некоторые преимущества, которые серверы 4U, монтируемые в стойку, предоставляют центрам обработки данных. Пространственная емкость этих машин достаточно велика, чтобы разместить несколько карт графического процессора рядом с другими компонентами, что делает их подходящими для крупномасштабных развертываний, а также для удовлетворения потребностей в высокопроизводительных вычислениях.

Вопрос: Каковы наиболее распространенные варианты использования сервера искусственного интеллекта с графическим ускорением в среде центра обработки данных?

Ответ: Высокопроизводительные вычисления (HPC), сложные задачи моделирования, инфраструктура машинного обучения и т. д. — вот некоторые примеры серверов искусственного интеллекта с графическим ускорением, которые можно использовать в центре обработки данных. Поэтому они становятся необходимыми для любой рабочей нагрузки, связанной с искусственным интеллектом, поскольку такая работа требует обучения моделей с большой вычислительной мощностью и одновременного выполнения выводов на огромных наборах данных.