0
## Microsoft investit dans une infrastructure d’IA de nouvelle génération dans le monde entier
Cette semaine, nous avons introduit une vague de centres de données et d’investissements d’infrastructure spécialement conçus que nous faisons dans le monde entier pour soutenir l’adoption mondiale des charges de travail et des services cloud d’IA de pointe.
Aujourd’hui, dans le Wisconsin, nous avons présenté Fairwater, Notre plus récent centre de données AI USL’usine d’IA la plus grande et la plus sophistiquée que nous ayons encore construite. En plus de notre centre de données Fairwater dans le Wisconsin, nous avons également plusieurs centres de données de Fairwater identiques en construction dans d’autres endroits à travers les États-Unis. Dans Narvik, Norvège,Microsoft a annoncé des plans avec NSCALE et AKER JV Pour développer un nouveau Datacenter AI hyperscale.
À Loughton, au Royaume-Uni, nous avons annoncé Un partenariat avec NSCALE pour construire le plus grand supercalculateur du Royaume-Uni Pour soutenir les services au Royaume-Uni.
Ces centres de données d’IA sont des projets d’immobilisations notables, représentant des dizaines de milliards de dollars d’investissements et des centaines de milliers de puces d’IA de pointe, et se connecteront de manière transparente avec notre Cloud Microsoft mondial de plus de 400 centres de données dans 70 régions du monde. Grâce à l’innovation qui peut nous permettre de relier ces centres de données d’IA dans un réseau distribué, nous multiplions l’efficacité et calculons de manière exponentielle pour démocratiser l’accès aux services d’IA dans le monde.
Alors, qu’est-ce qu’un centre de données AI?
###Le centre de données AI: la nouvelle usine de l’ère AI
Un centre de données d’IA est une installation unique et spécialement conçue conçue spécifiquement pour la formation d’IA ainsi que pour la gestion de modèles et d’applications d’intelligence artificielle à grande échelle. Microsoft’s AI Datacenters Power Openai, Microsoft AI, nos capacités de copilote et bien d’autres charges de travail AI.
Le nouveau centre de données Fairwater AI dans le Wisconsin est un exploit remarquable d’ingénierie, couvrant 315 acres et abritant trois bâtiments massifs avec 1,2 million de pieds carrés combinés sous les toits. Constructing Cette installation a nécessité 46,6 miles de piles de fondation profonde, 26,5 millions de livres d’acier structurel, 120 miles de câbles souterrains moyens et 72,6 miles de tuyaux mécaniques.
Contrairement aux centres de données cloud typiques, qui sont optimisés pour exécuter de nombreuses charges de travail plus petites et autonomes telles que des sites Web d’hébergement, des e-mails ou des applications commerciales, ce centre de données est conçu pour fonctionner comme un supercalculateur d’IA massif en utilisant une seule interconnexion à plat interconnectant des centaines de milliers de derniers GPU NVIDIA. En fait, il offrira 10 fois les performances du supercalculateur le plus rapide du monde aujourd’hui, permettant des charges de travail de formation et d’inférence à l’IA à un niveau jamais vu auparavant. ##Le rôle de nos centres de données d’IA – alimenter la frontière AI
Des modèles d’IA efficaces reposent sur des milliers d’ordinateurs travaillant ensemble, alimentés par des GPU ou des accélérateurs d’IA spécialisés, pour traiter des calculs mathématiques simultanés massifs. Ils sont interconnectés avec des réseaux extrêmement rapides afin qu’ils puissent partager des résultats instantanément, et tout cela est pris en charge par d’énormes systèmes de stockage qui contiennent les données (comme le texte, les images ou la vidéo) décomposées en jetons, les petites unités d’information que l’IA apprend. L’objectif est de garder ces puces occupées tout le temps, car si les données ou le réseau ne peuvent pas suivre, tout ralentit. La formation de l’IA elle-même est un cycle: les jetons de processus AI en séquence, font des prédictions sur la suivante, les vérifient contre les bonnes réponses et s’ajuste. Cela répète des milliards de fois jusqu’à ce que le système s’améliore dans tout ce qu’il est formé. Pensez-y comme la pratique d’une équipe de football professionnel. Chaque GPU est un joueur. ###Aborder l’impact environnemental: refroidissement liquide en boucle fermée à l’échelle de l’installation
Le refroidissement par air habituel ne peut pas gérer la densité du matériel d’IA moderne. Nos centres de données utilisent des systèmes de refroidissement liquide avancés – les tuyaux intégrés font circuler le liquide froid directement dans les serveurs, en extraction de la chaleur efficacement. La recirculation en boucle fermée assure zéro déchets d’eau, avec de l’eau unique pour se remplir une fois, puis il est continuellement réutilisé.
En concevant des centres de données AI spécialement conçus, nous avons pu intégrer l’infrastructure de refroidissement liquide dans l’installation directement pour nous obtenir plus de densité de rack dans le centre de données. Fairwater est soutenu par la deuxième plus grande usine de refroidissement refroidi par l’eau sur la planète et circulera en continu dans son système de refroidissement en boucle fermée. L’eau chaude est ensuite tuée vers les «nageoires» de refroidissement de chaque côté du centre de données, où 172 ventilateurs de 20 pieds se refroidissent et recirculent l’eau vers le centre de données. Ce système maintient le centre de données AI en cours d’exécution efficace, même aux charges de pointe.
Plus de 90% de notre capacité de données utilise ce système, ne nécessitant de l’eau qu’une seule fois pendant la construction et la réutiliser continuellement sans pertes d’évaporation. Les 10% restants des serveurs traditionnels utilisent de l’air extérieur pour le refroidissement, passant à l’eau uniquement pendant les jours les plus chauds, une conception qui réduit considérablement la consommation d’eau par rapport aux centres de données traditionnels.
Nous utilisons également le refroidissement liquide pour prendre en charge les charges de travail de l’IA dans bon nombre de nos centres de données existants; Ce refroidissement liquide est accompli avec des unités d’échangeur de chaleur (HXUS) qui fonctionnent également avec une utilisation de l’eau zéro.
###Stockage et calcul: construit pour la vitesse de l’IA
Les centres de données modernes peuvent contenir des exabytes de stockage et des millions de scores de calcul CPU. Pour prendre en charge le cluster d’infrastructure d’IA, une infrastructure de centre de données entièrement distincte est nécessaire pour stocker et traiter les données utilisées et générées par le cluster d’IA. Pour vous donner un exemple de l’écaille «HTML
Qu’est-ce que MSPIXELS?
MSPIXELS est une bibliothèque JavaScript légère qui agit comme un emballage autour de divers mécanismes de suivi des pixels. Plutôt d’incorporer directement le code de suivi de différents fournisseurs (comme Google Analytics, Facebook Pixel, etc.) dans votre site Web, vous utilisez MSPixels pour gérer ces intégrations. Cela offre plusieurs avantages:
- Gestion centralisée: Toute la logique de suivi des pixels est consolidée en un seul endroit, ce qui facilite le maintien et la mise à jour.
- Intégration du consentement: MSPIXELS s’intègre de manière transparente à Microsoft Consentement Management (MSCC), garantissant que les pixels ne sont licenciés que lorsque les utilisateurs ont donné un consentement explicite.
- Blood de code réduit: Évite le code de suivi redondant sur votre site Web.
- Implémentation simplifiée: Fournit une API cohérente pour tirer des pixels, quel que soit le fournisseur sous-jacent.
Intégration avec Microsoft Consentement Management (MSCC)
La fonctionnalité principale de MSPixels tourne autour de son intégration avec Microsoft Consentement Management (MSCC). MSCC permet aux sites Web d’obtenir et de gérer le consentement des utilisateurs pour la collecte de données, y compris le suivi des pixels. MSPIXELS exploite MSCC pour déterminer si un utilisateur a accordé son consentement à des catégories de suivi spécifiques avant de tirer des pixels.
L’extrait de code fourni montre cette intégration:
Voici une ventilation du code:
- Objet `Mspixels»: Un objet JavaScript qui agit comme une file d’attente pour le suivi des événements. La méthode `push () ‘vous permet d’ajouter des événements de suivi à cette file d’attente.
- Array «Pixels»: Un tableau interne qui stocke les événements de suivi.
- `mspixels.push (‘pageview’)`: Cette ligne ajoute un événement «PageView» à la file d’attente de suivi. Le paramètre «Track» spécifie le type d’événement, et le paramètre «données» peut être utilisé pour transmettre des informations supplémentaires.
- `if (typeof mscc === ‘Undefined’ || msc.hasconsent ())`: Ceci est le chèque de consentement crucial. Il vérifie que l’objet `MSCC» est défini (ce qui signifie que la gestion du consentement Microsoft est présente) et que l’utilisateur a accordé le consentement (`MSCC.HasConsent ()`).
- `MsPixelsInit ()`: Si le consentement est accordé (ou MSCC n’est pas défini, ce qui n’est généralement pas recommandé pour les environnements de production), la fonction `MSPixelSInit () ‘est appelée. Cette fonction est responsable du traitement de la file d’attente de suivi et du licenciement des pixels.
Implémentation de `mspixelsInit () ‘
La fonction `MsPixelSInit () ‘n’est pas définie dans l’extrait fourni, et son implémentation est spécifique à votre site Web et aux plateformes d’analyse que vous utilisez. Il implique généralement d’itérer le tableau des «pixels» et de tirer les pixels de suivi correspondants. Voici un exemple conceptuel:
function msPixelsInit() {
for (var i = 0; i < msPixels.pixels.length; i++) {
var pixel = msPixels.pixels[i];
switch (pixel.track) {
case 'PageView':
// Fire Google Analytics pageview tracking code
gtag('config', 'UA-XXXXX-Y', { 'page_path': window.location.pathname });
break;
case 'AddToCart':
// Fire Facebook Pixel addtocart event
fbq('track', 'AddToCart', {
value: pixel.data.value,
currency: 'USD'
});
break;
// Add more cases for other tracking events
}
}
}
Considérations importantes pour `mspixelsInit ()`::