Déployer des charges de travail GPU dans Autopilot

Découvrez comment demander des accélérateurs matériels (GPU) dans vos charges de travail GKE Autopilot.

Diffuser un grand modèle de langage avec plusieurs GPU dans GKE

Découvrez comment diffuser Llama 2 70B ou Falcon 40B à l'aide de plusieurs GPU NVIDIA L4 avec GKE.

Diffuser un LLM à l'aide de TPU multi-hôtes sur GKE avec Saxml

Apprenez à diffuser un grand modèle de langage (Falcon 7b, Llama2 7b, Falcon 40b ou Llama2 70b) à l'aide du framework Ray dans GKE.

Premiers pas avec Ray sur GKE

Découvrez comment utiliser facilement Ray sur GKE en exécutant une charge de travail sur un cluster Ray.

Diffuser un LLM sur des GPU L4 avec Ray

Apprenez à diffuser un grand modèle de langage (Falcon 7b, Llama2 7b, Falcon 40b ou Llama2 70b) à l'aide du framework Ray dans GKE.

Orchestrer des charges de travail TPU Multislice à l'aide de JobSet et de Kueue

Découvrez comment orchestrer une charge de travail Jax sur plusieurs tranches de TPU sur GKE à l'aide de JobSet et Kueue.

Surveiller les charges de travail GPU sur GKE avec le gestionnaire GPU de centre de données (DCGM) NVIDIA

Découvrez comment observer les charges de travail GPU sur GKE avec le gestionnaire GPU de centre de données (DCGM) NVIDIA.

Guide de démarrage rapide : Entraîner un modèle avec des GPU sur des clusters GKE Standard

Ce guide de démarrage rapide explique comment déployer un modèle d'entraînement avec des GPU dans GKE et stocker les prédictions dans Cloud Storage.

Exécuter des modèles de machine learning à grande échelle sur GKE

Cette vidéo explique comment GKE permet de résoudre les problèmes courants liés à l'entraînement de modèles d'IA volumineux à grande échelle, ainsi que les bonnes pratiques concernant l'entraînement et la diffusion de modèles de machine learning à grande échelle sur GKE.

TensorFlow sur GKE Autopilot avec l'accélération GPU

Cet article de blog est un guide par étapes pour la création, l'exécution et la suppression d'un notebook Jupiter reposant sur Tensorflow.

Implémenter un système de mise en file d'attente de jobs avec un partage de quota entre espaces de noms dans GKE

Ce tutoriel utilise Kueue pour vous montrer comment mettre en œuvre un système de mise en file d'attente de tâches et configurer le partage des ressources et des quotas de charges de travail entre différents espaces de noms sur GKE.

Planification avancée pour l'IA et le ML avec Ray et Kueue

Orchestrez des applications Ray dans GKE avec KubeRay et Kueue.

Sécuriser Ray sur Google Kubernetes Engine

Appliquez des insights de sécurité et des techniques de renforcement pour entraîner des charges de travail d'IA/de ML à l'aide de Ray sur GKE.

Choisir son stockage pour les charges de travail d'IA et de ML dans Google Cloud

Sélectionnez la meilleure combinaison d'options de stockage pour les charges de travail d'IA et de ML sur Google Cloud.

L'installation automatique des pilotes simplifie l'utilisation de GPU NVIDIA dans GKE

Installer automatiquement les pilotes de GPU Nvidia dans GKE.

Accélérez votre transition vers l'IA générative avec le framework NVIDIA NeMo sur GKEE

Entraînez des modèles d'IA générative à l'aide de GKE et du framework NVIDIA NeMo.

Pourquoi utiliser GKE pour vos charges de travail Ray AI ?

Améliorez l'évolutivité, la rentabilité, la tolérance aux pannes, l'isolation et la portabilité en utilisant GKE pour les charges de travail Ray.

Exécution de l'IA sur un service GKE entièrement géré, désormais avec de nouvelles options de calcul, de nouveaux tarifs et de nouvelles réservations de ressources

Bénéficiez d'une compatibilité GPU et de performances améliorées, ainsi que de tarifs réduits pour les charges de travail d'IA/de ML avec GKE Autopilot.

Comment SEEN a multiplié ses résultats par 89 et réduit ses coûts de GPU de 66 % grâce à GKE

Une startup adapte la sortie vidéo personnalisée à l'aide de GKE.

Comment Let's Enhance utilise NVIDIA AI et GKE pour proposer des fonctionnalités de retouche photo basées sur l'IA

Solution d'IA innovante pour enrichir les images à l'aide des GPU NVIDIA et de GKE.

Comment le partage de GPU GKE aide les scientifiques à trouver des neutrinos

Le partage de GPU GKE permet aux scientifiques de rechercher des neutrinos.

GPU à temps partagé dans GKE

Découvrez comment la fonctionnalité de temps partagé des GPU sur GKE permet à plusieurs conteneurs de partager un même GPU physique, améliorant ainsi son utilisation.

GPU multi-instances dans GKE

Découvrez comment les GPU multi-instance dans GKE vous aident à améliorer la rentabilité de vos investissements GPU.

Comment Etsy utilise GKE pour repenser sa plate-forme d'apprentissage

Etsy s'appuie sur le machine learning (ML) pour créer des expériences personnalisées pour ses millions d'acheteurs à travers le monde.

Comment Spotify libère le potentiel d'innovation en matière de ML avec Ray et GKE

Comment Ray transforme le développement de ML chez Spotify

Comment Ordaōs Bio exploite l'IA générative sur GKE

Ordaōs Bio, l'un des principaux accélérateurs d'IA pour la recherche et la découverte biomédicales, recherche des solutions à de nouvelles immunotherapies en oncologie et aux maladies inflammatoires chroniques.

GKE pour une start-up en pleine croissance grâce au ML

Découvrez comment Moloco, une start-up de la Silicon Valley, a exploité la puissance de GKE et de Tensor Flow Enterprise pour optimiser son infrastructure de machine learning (ML).

Ray sur GKE

Utilisez ce modèle Terraform pour exécuter Ray sur GKE.

Configurer Ray sur GKE avec des TPU

Utilisez cet exemple Terraform pour déployer Ray sur un cluster GKE avec une topologie 2x2x1.

Charges de travail d'entraînement de ML sur GKE à l'aide de l'API JobSet

Exécutez des charges de travail d'entraînement de machine learning distribuées sur GKE à l'aide de l'API JobSet.

JAX "Hello World" sur GKE

Exécutez un programme JAX simple avec les GPU NVIDIA A100-80GB sur un cluster GKE.