dimanche, 21 juillet 2024

Les chercheurs atteignent des prévisions financières en temps réel avec le silicium Graphcore

Dans le commerce monétaire, de toutes nouvelles techniques d’IA pour évaluer les données de marché sous forme de LOB (carnets d’ordres de limitation) ont la possibilité de bien mieux prévoir la fluctuation du coût des actions. Néanmoins, la conception des puces informatiques standard d’aujourd’hui rend l’utilisation en temps réel de méthodes de découverte de fabricants multi-horizons non viables dans la pratique.

Désormais, les scientifiques de l’Oxford-Man Institute (OMI) ont créé des algorithmes qui fonctionner sur du matériel créé à partir de zéro pour le calcul de l’IA. Avec leurs versions sur Attention et Seq2Seq travaillant sur les variétés IPU (Intelligence Processing Systems), la recherche pré-alpha a atteint un taux de réussite prédictif de 80 % dans des délais équivalents à environ 30 secondes à deux minutes de trading en direct.

À l’intérieur de critères spécifiques, les algorithmes d’intelligence artificielle ont la capacité de développer des prédictions de plus en plus précises à condition de disposer de suffisamment de données. Même les ensembles de données les plus aléatoires peuvent produire des modèles autrefois cachés, à condition de disposer d’une puissance et d’un temps de traitement suffisants.

Mais là où les meilleures prévisions sont nécessaires dans la zone de quelques secondes ou moins, les capacités d’un calcul plus standard matériel sont étendus. Même avec rack sur rack de processeurs GPU dédiés (qui sont d’un coût prohibitif pour une exécution à grande échelle), un code qui peut prédire plusieurs résultats et augmenter la précision dans le temps est mieux déployé dans des environnements où le temps est un produit moins précieux.

Les marchés au comptant sont déjà contrôlés par des moteurs de décision algorithmiques, les traders sur silicium effectuant leurs positions proposées avec une précision de la milliseconde. Bien que les capacités de l’intelligence artificielle soient largement connues dans le secteur, il existe des limites importantes au trading autonome.

Parmi les 2 auteurs de l’article de l’OMI « Multi-Horizon Forecasting for Limit Order Books: Unique Deep Learning Approaches et la vitesse matérielle à l’aide d’unités de traitement intelligentes », a précisé Stefan Zohren, « […] dans la prévision à plusieurs étapes, nous […] avons un modèle qui est entraîné pour faire une projection à un horizon plus petit. Cependant, nous pouvons alimenter ces détails en eux-mêmes et faire avancer la prédiction pour arriver à des projections à plus long terme. »

Avec le matériel conçu pour l’IA de Graphcore, le groupe d’étude de recherche a atteint une prévisibilité élevée sur quand et à quel rythme points pour effectuer des transactions réussies sur des durées de ticks 100, avec la vitesse des ticks en fonction de la fréquence des occasions d’achat/vente sur un marché réel.

Les prévisions multi-horizons sont particulièrement appropriées dans les endroits où de nombreux aspects peuvent les résultats d’impact et où il y a des raisons événements seulement faibles de signaux bénéfiques. Pour améliorer la meilleure prévision ultime, les résultats multi-horizons ont été réinjectés par le code des scientifiques dans des algorithmes inspirés des méthodes NLP (traitement du langage naturel). Dans les environnements de calcul typiques, les gammes de GPU sont proposées à ce type de charge de travail, mais leur style de processeur de données à instruction unique et nombreuses ne correspond pas au traitement extrêmement parallèle requis par ce type d’algorithme.

L’équipe de recherche a établi variations des modèles de connaissance existants, Seq2Seq et Attention, qu’ils ont nommés DeepLOB-Seq2Seq, et DeepLOB-Attention. Le matériel Graphcore exécutant ces conceptions a dépassé toutes les autres architectures par « un facteur 10 », anticipant les mouvements du marché 100 ticks dans le futur avec une précision d’environ 80% dans les échelles de temps viables pour le trading en direct.

Les algorithmes multi-horizons ont potentiel considérable dans des contextes apparemment désordonnés, où des milliards de points d’information sont créés rapidement, et un code est nécessaire pour anticiper rapidement les changements de conditions (comme sur les marchés monétaires). Produire les résultats nécessaires assez rapidement pour traiter des ensembles d’informations volumineux et changeant rapidement est la difficulté résolue par la technologie Graphcore IPU.

Lorsque les organisations doivent traiter rapidement de grandes formations qui se terminent en quelques minutes et secondes, pas en semaines et en mois, Le matériel dédié de Graphcore est prêt pour le déploiement du centre de données aujourd’hui. Par exemple, les conceptions en langage naturel BERT s’entraînent en un peu plus de 9 minutes et ResNet-50 normalement en 14 à 15 minutes (voir les résultats d’efficacité complets ici.). Différents niveaux d’IPU-POD Graphcore sont facilement disponibles pour différentes charges de travail, de l’IPU-POD16 à 4 petaFLOP pour les études de recherche et les expéditions jusqu’à l’IPU-POD256 à 64 petaFLOP pour la production à l’échelle du centre de données.

Bien que l’architecture sous-jacente du matériel puisse être très variée, elle est simple à utiliser pour le professionnel de l’IA/ML. L’application logicielle Poplar de Graphcore s’intègre aux frameworks de base de découverte d’appareils, notamment PyTorch, TensorFlow, PyTorch Lightning, Keras, Hugging Face et ONNX, en plus d’alternatives de programmes de niveau inférieur en Python et C.

Par rapport à un GPU de même prix sélections, les systèmes Graphcore offrent généralement des performances par dollar bien supérieures, même sur des conceptions d’IA traditionnelles qui ont été développées et affinées pour fonctionner sur des GPU. L’exécution de n’importe quelle charge de travail ML sur du silicium spécialement développé explique le sens de toute organisation investissant dans le traitement avancé de l’IA. Que vos intentions soient ancrées dans un avantage de la milliseconde sur les maisons de commerce concurrentes, les applications médicales ou la recherche de conceptions sophistiquées, l’ingénieuse innovation IPU de Graphcore peut faire avancer vos projets.

Le code du groupe Oxford-Man est disponible sur GitHub, et les représentants Graphcore apprécieront de répondre aux questions des partenaires de distribution ou de fournir des informations sur leur service Graphcloud et les systèmes IPU varient.

.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici

xnxx sex download russianporntrends.com hardxxxpics saboten campus freehentai4u.com read manga porn rakhi sex photo ganstagirls.com nani sex video xxx indian girl video download elporno.mobi tamilauntycom bf hd video bf hd video porn555.me anyporn hd tamil beach sex erolenta.com xxx sex boy to boy bustyboobs pakistanixxxx.com nude sexy videos desi sex xvideos.com tubaka.mobi justdesi in free naked dance vegasmpegs.mobi eva grover desi ass lick eroanal.net 69 xvideo 4k xnxx thefuckingtube.com xxii roman numerals translation tamil nayanthara sex sexozavr.com indian porn videos tumblr كلبات سكس porn-arab.net نيك ف الكس y3df comics popsexy.net akhil wife hentai ahri wowhentai.net the sarashina bloodline