2026. szeptember 17., csütörtök · Eszközök

AWS és NVIDIA: hibatűrő elosztott tanítás Amazon EKS-en NVRx-szel

Az AWS hivatalos gépi tanulási blogja bemutatja, hogyan lehet a NVIDIA Resiliency Extension (NVRx) nevű, pip-telepíthető PyTorch-kiegészítőt integrálni FSDP alapú elosztott tanításba Amazon EKS-fürtökön. A cikk szerint nagy léptékű, órákig-napokig futó, sok csomópontos tanítási feladatoknál a hibák (hálózati kimaradás, memóriahiba, szoftverkivétel) statisztikailag elkerülhetetlenek, egy GPU-hiba pedig láncreakciót indíthat a teljes fürtben. Az AWS állítása szerint a szinkron checkpointolás a vizsgált fürtméreteknél a teljes futásidő akár 40 százalékát is felemésztette I/O-várakozással. A bemutatott megoldás három elemből áll: aszinkron checkpointolás (async_save), folyamaton belüli újraindítás másodperceken belül, valamint ft_launcher a munkás-processzek automatikus újraindítására összeomlás esetén; a méréseket H100 GPU-kon, 2-8 csomópontos fürtökön végezték.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A cikk konkrét mérőszáma – a szinkron checkpointolás miatti akár 40%-os holtidő – rávilágít arra, mekkora GPU-óra és költség veszhet el nagy AWS-alapú tanítási fürtökben egyetlen hardverhiba miatt.

Források

AWS Machine Learning Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVRx#Amazon EKS

Napi összefoglaló

Ez a hír a 2026. szeptember 17., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

DeepSeek nyílt forráskódúvá tette gyors következtetési motorját, a DeepInfert

A DeepSeek Apache 2.0 licenc alatt nyílt forráskódúvá tette DeepInfer nevű belső következtetési keretrendszerét, amely a V4.1-Flash modelljét szolgálja ki gyorsan és olcsón – írja a The Decoder. A vLLM-re épülő rendszer optimalizált számítási kerneleket, több chipre elosztott feldolgozást és gyorsabb szöveggenerálási technikákat használ, és a cég jövőbeli modelljeinek kódját is nyíltan teszi közzé. Emellett megjelenik a deepseek-recipe is, amely a hivatalos DeepSeek API tokenfeldolgozását replikálja, hogy az önüzemeltetett rendszerek ugyanúgy viselkedjenek. A vállalat közlése szerint a cél a közösség számítási költségeinek és energiafelhasználásának csökkentése, hogy az AI megfizethetőbb legyen. A lap szerint a lépés egyben árversenyt gerjeszt a nyugati szolgáltatókkal, és a kínai–amerikai AI-verseny fényében akár politikai motivációja is lehet.

A Google is bemutatta saját PyTorch-verzióját, hogy gyengítse az Nvidia dominanciáját

A Google a TechCrunch beszámolója szerint kedden nyílt forráskódúként tette közzé a TorchTPU nevű eszközt, amely a népszerű PyTorch keretrendszer saját, Tensor Processing Unit (TPU) chipekre optimalizált változata. A cég állítása szerint a meglévő PyTorch-alkalmazások egyszerű konfigurációváltással, újraírás nélkül átvihetők a Google Cloud TPU-ira. A lépéssel a Google csatlakozik Amazonhoz, amely hétfőn jelentette be saját TorchNeuron megoldását a Trainium chipekhez, és emellett kódot nyújtott be a fő PyTorch projekthez, hogy a keretrendszer alapból kevésbé kötődjön az Nvidia hardveréhez. A TechCrunch szerint a Google azt állítja, hogy közvetlenül együttműködött a Metával, a Hugging Face-szel, valamint a vLLM-et és az SGLang-ot fejlesztő cégekkel a kompatibilitás biztosítása érdekében, és egy új TPU agent suite eszközt is indított a migráció segítésére. A PyTorch-ot eredetileg a Meta fejlesztette 2016-ban, majd 2022-ben a Linux Foundation nonprofit szervezetnek adta át.

Amazon új TorchNeuron eszközzel támadja Nvidia szoftveres fölényét

Az Amazon Web Services hétfőn bemutatta a TorchNeuron nevű fejlesztői eszközt, amely a vállalat állítása szerint lehetővé teszi, hogy a PyTorch keretrendszerben írt AI-alkalmazások mindössze egyetlen konfigurációs sor módosításával, kódátírás nélkül fussanak az Amazon saját Trainium chipjén. Az Amazon szerint az AI-alkalmazások mintegy 85 százaléka PyTorchban készül, amely keretrendszert eredetileg a Facebook fejlesztette, 2022 óta pedig a Linux Foundation gondozza. A cég szerint a Trainiumra költözés nemcsak egyszerű, hanem hozzáférést is ad az Amazon teljes felhőinfrastruktúrájához, szemben a sok esetben Nvidia-hardverhez kötött „neocloud” szolgáltatókkal, mint a CoreWeave vagy a Nebius. Az AWS Annapurna Labs technológiai alelnöke, Colin Brace a TechCrunchnek nyilatkozva hangsúlyozta, hogy a startupok így nem egyetlen, szűk célú számítási szolgáltatóra fogadnak.

Az Amazon Bedrock támogatja az Anthropic Claude modellek strukturált kimenetét

Az AWS bejelentette, hogy az Amazon Bedrock mostantól minden Anthropic Claude modellnél támogatja a strukturált kimenetet, mind a bedrock-runtime, mind a bedrock-mantle végpontokon. A vállalat szerint a funkció kényszerített dekódolást használ, vagyis a modell már a tokenek generálása közben betartja a megadott JSON-sémát, nem utólag javítja a hibás formátumot. Az AWS állítása szerint ez megszünteti a JSON-feldolgozási hibákat, feleslegessé teszi az egyéni elemzést és az újrapróbálkozási logikát, emellett csökkentheti a kimeneti tokenek számát és ezzel a következtetési költséget nagy terhelésű feladatoknál. A cég közlése szerint a funkció kötegelt (batch) feldolgozással és régiók közötti (cross-Region) következtetéssel is együttműködik, valamint valós idejű streamingnél is használható. Az AWS példaként pénzügyi jelentések, egészségügyi feljegyzések és szerződések strukturált feldolgozását említi.