{"id":66238,"date":"2024-12-11T10:29:31","date_gmt":"2024-12-11T10:29:31","guid":{"rendered":"https:\/\/www.sardinasystems.com\/uncategorized-de\/fishos-powered-machine-learning-cloud-for-successful-scientific-research\/"},"modified":"2025-05-14T16:16:31","modified_gmt":"2025-05-14T16:16:31","slug":"fishos-powered-machine-learning-cloud-for-successful-scientific-research","status":"publish","type":"post","link":"https:\/\/www.sardinasystems.com\/de\/blog\/fishos-powered-machine-learning-cloud-for-successful-scientific-research\/","title":{"rendered":"FishOS-gest\u00fctzte Machine-Learning-Cloud f\u00fcr erfolgreiche wissenschaftliche Forschung"},"content":{"rendered":"\n

W\u00e4hrend einer fast zweij\u00e4hrigen engen Zusammenarbeit mit einem der f\u00fchrenden Forschungszentren Deutschlands, der Universit\u00e4t T\u00fcbingen<\/strong>, hat Sardina Systems entscheidende Unterst\u00fctzung geleistet, um die Effizienz und Produktivit\u00e4t der Machine-Learning-Cloud-Infrastruktur der Universit\u00e4t zu verbessern. In dieser Fallstudie werden wir eingehend untersuchen, wie FishOS, die vollautomatisierte, skalierbare und kosteneffektive Cloud-Management-Plattform von Sardina Systems<\/strong>, einem kleinen Team von Experten hilft, ihre t\u00e4glichen Aufgaben zu bew\u00e4ltigen, sodass sich Datenwissenschaftler auf die Durchf\u00fchrung bahnbrechender Forschung in Bereichen wie Medizin, Landwirtschaft, autonomes Fahren und anderen Gebieten konzentrieren und transformative L\u00f6sungen liefern k\u00f6nnen.<\/p>\n\n

Vorstellung der ML-Cloud<\/mark><\/strong><\/p>\n\n

Die ML-Cloud an der Universit\u00e4t T\u00fcbingen<\/a>,<\/mark><\/strong> bestehend aus dem KI-Zentrum und dem ML-Exzellenzcluster, treibt wirkungsvolle Projekte in der medizinischen Bildgebung, einschlie\u00dflich Krebs- und Hirnforschung<\/strong>, sowie Computervision und Analyse menschlicher Bewegungen<\/strong>, Klimasimulation und -vorhersageinitiativen und sogar das Training eines Boston Dynamics-Roboters f\u00fcr landwirtschaftliche Aufgaben<\/strong> voran. Unter Beteiligung von 48 Forschungsgruppen<\/strong> verschieben diese Projekte Grenzen und leisten signifikante Beitr\u00e4ge<\/strong> in verschiedenen Bereichen. <\/p>\n\n

\"Machine-Learning-Cloud-Schema\"<\/a><\/figure>\n\n

Derzeit sind begrenzte Personalressourcen in die Wartung eines Clusters bestehend aus etwa 200 Kernen<\/strong> involviert, die f\u00fcr alle Datenoperationen verantwortlich sind. Lassen Sie uns die Herausforderungen untersuchen, denen sich die Spezialisten vor der Implementierung von FishOS gegen\u00fcbersahen, und wie die Plattform ihnen half, diese Schwierigkeiten zu \u00fcberwinden. <\/p>\n\n

Die Herausforderung annehmen<\/mark><\/strong><\/p>\n\n

Das IT-Team der Universit\u00e4t begegnet spezifischen Herausforderungen, die \u00f6ffentlichen Organisationen inh\u00e4rent sind. Innerhalb strenger staatlicher Finanzierungsbeschr\u00e4nkungen operierend, m\u00fcssen sie den reibungslosen Betrieb eines wissenschaftlichen Rechensystems \u00fcber mehrere Einheiten hinweg<\/strong> sicherstellen und gleichzeitig die vielf\u00e4ltigen Rechenanforderungen verschiedener Forschungsgruppen<\/strong> adressieren. Stabilit\u00e4t ist entscheidend f\u00fcr Forscher, die pr\u00e4zise Ergebnisse anstreben, insbesondere in Bereichen wie Krebs- und Hirnforschung, wo Rechenleistung f\u00fcr Machine-Learning-Anwendungen unerl\u00e4sslich ist. <\/p>\n\n

Hindernisse navigieren<\/mark><\/strong><\/p>\n\n

Als Antwort auf diese Herausforderungen entschied sich das Universit\u00e4tsteam f\u00fcr die Nutzung von On-Premises-Infrastruktur<\/strong>, um die Budgeteffizienz zu maximieren und Kapazit\u00e4tsanforderungen zu erf\u00fcllen. Sie entwickelten eine Hardware-Architektur, die auf die vielf\u00e4ltigen Bed\u00fcrfnisse<\/strong> kleiner, \u00fcber Deutschland verteilter Forschungsgruppen zugeschnitten ist. Diese Architektur kombiniert Virtualisierung und Bare Metal in ausgewogener Weise<\/strong>, erg\u00e4nzt durch eine verteilte Ceph-Speicheranlage<\/strong> f\u00fcr Archivierungszwecke. <\/p>\n\n

<\/p>\n\n

\"Überblick<\/a><\/figure>\n\n

Etwa 15-20% der Systemnodes sind f\u00fcr Lastverteiler zugewiesen<\/strong>, wobei die verbleibenden Nodes der Rechenleistung gewidmet sind. Hypervisoren sind mit CPU-only-, GPU V100- und GPU A100<\/strong>-Konfigurationen ausgestattet, wobei ungef\u00e4hr 70% der Nodes derzeit durch Bare Metal genutzt werden.<\/strong> GPU-Ressourcen, die sich sowohl auf Hypervisoren als auch auf Bare Metal befinden, werden priorisiert, um die Systemreaktionsf\u00e4higkeit zu verbessern<\/strong>. Zus\u00e4tzlich unterst\u00fctzt das System konventionellere Aufgaben, indem es klassische CPUs f\u00fcr Funktionen wie Datensatzverwaltung bereitstellt. <\/p>\n\n

FishOS: Unterst\u00fctzung stabiler Infrastruktur und Straffung der Betriebsabl\u00e4ufe<\/mark><\/strong><\/p>\n\n