MARC

 008250123s2024        us                              c    eng  d
■001000017160383
■00520250211151008
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384458265
■035    ▼a(MiAaPQ)AAI30995136
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aNagrecha,  Kabir.
■24510▼aOrchestration  Systems  to  Support  Deep  Learning  at  Scale
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a201  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Kumar,  Arun;Zhang,  Hao.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aDeep  learning  (DL)'s  dramatic  rise  in  popularity  across  the  domain  sciences  and  industry  has  been  accompanied  by  a  correspondingly  aggressive  increase  in  the  scale  and  computational  complexity  of  DL  workloads.  In  order  to  adopt  state-of-the-art  techniques,  practitioners  must  wrestle  with  systems  challenges  of  performance,  cost,  and  scalability.  In  this  dissertation,  we  identify  the  need  for  orchestration  systems,  which  ease  scaling  burdens  across  the  DL  lifecycle  through  holistic,  workload-aware  optimizations.  Drawing  on  both  established  techniques  from  data  management  research  and  new  bespoke  algorithms,  we  build  practical  orchestration  engines  to  optimize  three  common  DL  workloads  in  the  large-scale  setting:  model  selection,  data  processing,  and  high-throughput  serving.  Our  systems  -  which  exploit  workload-  and  context-  specific  opportunities  -  address  a  new  layer  of  the  large-scale  DL  optimization  stack,  more  granular  than  current  cluster  managers  and  data  systems,  but  still  abstracted  away  low-level  kernel  &  compiler  optimizations.  Empirical  evaluations  show  that  our  orchestration  techniques  and  systems  can  accelerate  large-scale  DL  workloads  by  a  large  margin,  even  in  complex,  real-world  settings.  Our  approach  introduces  a  new  technical  lens,  unifying  systems,  databases,  and  DL  research,  ultimately  focused  on  democratizing  and  amplifying  state-of-the-art  DL  innovations.  Some  of  the  systems  proposed  in  this  dissertation  have  already  been  adopted  in  production-scale  industry  pipelines,  demonstrating  the  value  of  such  orchestration  optimizers  for  real-world  DL.
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aDatabases
■653    ▼aDeep  learning
■653    ▼aLarge  language  models
■653    ▼aMachine  learning
■653    ▼aOrchestration  systems
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160383▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서