Tugas 3 Studi kasus: Jupiter notebook sebagai solusi pembelajaran berbagai model AI

Konsep komputasi kinerja tinggi

Definisi Komputasi kinerja tinggi

Komputasi berkinerja tinggi (HPC) berkembang karena memenuhi tuntutan peningkatan kecepatan pemrosesan. HPC menyatukan beberapa teknologi seperti arsitektur komputer, algoritme, program, dan elektronik, dan perangkat lunak sistem di bawah satu kanopi untuk memecahkan masalah lanjutan secara efektif dan cepat. Sistem HPC yang sangat efisien membutuhkan jaringan dengan bandwidth tinggi, latensi rendah untuk menghubungkan beberapa node dan cluster.

High performance computing (HPC) contoh pengguna:

1. Laboratorium penelitian. HPC digunakan untuk membantu para ilmuwan menemukan sumber energi terbarukan, memahami evolusi alam semesta kita, memprediksi dan melacak badai, serta membuat materi baru. 
2. Media dan hiburan. HPC digunakan untuk mengedit film layar lebar, membuat efek khusus yang menakjubkan, dan streaming acara langsung di seluruh dunia.
3. Minyak dan gas. HPC digunakan untuk mengidentifikasi lokasi pengeboran sumur baru secara lebih akurat dan membantu meningkatkan produksi dari sumur yang ada.
4. Artificial intelligence and machine learning. HPC digunakan untuk mendeteksi penipuan kartu kredit, memberikan dukungan teknis mandiri, mengajarkan kendaraan yang dapat mengemudi sendiri, dan meningkatkan teknik skrining kanker.

 

Komputasi parallel

Dalam pengertian yang paling sederhana, komputasi paralel adalah penggunaan simultan dari beberapa sumber daya komputasi untuk memecahkan masalah komputasi: 

• Masalah dipecah menjadi bagian-bagian terpisah yang dapat diselesaikan secara bersamaan 
• Setiap bagian selanjutnya dipecah menjadi serangkaian instruksi 
• Instruksi dari setiap bagian dijalankan secara bersamaan pada prosesor yang berbeda 
• Mekanisme kontrol/koordinasi keseluruhan digunakan

Mengapa Menggunakan Komputasi Paralel? 

Alasan utama untuk menggunakan komputasi paralel:  

• Hemat waktu

• Memecahkan masalah yang lebih besar  

• Memberikan konkurensi (melakukan banyak hal sekaligus)

Alasan lain mungkin termasuk:  

• Sumber daya non-lokal – menggunakan sumber daya pada jaringan area luas;  

• Penghematan biaya - menggunakan beberapa sumber daya komputasi "murah" alih-alih membayar waktu di superkomputer.  

• Mengatasi kendala memori - komputer tunggal memiliki sangat terbatas sumber daya memori.  

• Untuk masalah besar, menggunakan beberapa memori komputer dapat mengatasi hambatan ini

Distributed Computation

Sistem komputer terdistribusi terdiri dari beberapa komponen perangkat lunak yang ada di beberapa komputer, tetapi dijalankan sebagai satu sistem. Komputer yang berada dalam sistem terdistribusi dapat secara fisik berdekatan dan dihubungkan oleh jaringan lokal, atau secara geografis dapat jauh dan dihubungkan oleh jaringan area luas. Sebuah sistem terdistribusi dapat terdiri dari sejumlah konfigurasi yang mungkin, seperti mainframe, komputer pribadi, workstation, minicomputer, dan sebagainya. Tujuan komputasi terdistribusi adalah membuat jaringan seperti itu berfungsi sebagai satu komputer.

Permasalahan pendekatan komputasi kinerja tinggi

Salah satu permasalahan komputasi kinerja tinggi yaitu "Memprogram komputer paralel yang sangat kompleks". 

Pertumbuhan kompleksitas arsitektur komputer karena paralelisasi besar-besaran membuatnya sangat menantang untuk mengembangkan program untuk komputer baru ini. Dengan program dan data yang tersebar di ratusan ribu prosesor yang berbeda dan bank memori yang terpisah, mengatur pertukaran data dan perhitungan urutan membutuhkan logika yang sangat kompleks, banyak pemrograman khusus dan kemampuan untuk mentolerir kesalahan. Pengembang kode sekarang tidak hanya harus mengembangkan kode dengan kompleksitas ilmu domain yang jauh lebih besar, tetapi juga harus mengatasi arsitektur komputer dengan kompleksitas yang lebih besar.

Studi Kasus : Jupiter notebook sebagai solusi pembelajaran berbagai model AI

"Deep Learning Programming Using Python Case Study: Earthquake Prediction System" https://doi.org/10.11594/nstp.2021.0962 

Bahasa pemrograman Python cukup andal untuk menyelesaikan masalah Machine Learning dan Deep Learning. Makalah ini menjelaskan bagaimana menyelesaikan masalah prediksi gempa menggunakan bahasa pemrograman Python yang berjalan di Notebook Jupyter Environment. 

Sumber : 

https://www.netapp.com/data-storage/high-performance-computing/what-is-hpc/

https://id.theastrologypage.com/high-performance-computing

https://hpc.llnl.gov/documentation/tutorials/introduction-parallel-computing-tutorial##DistributedMemory

https://www.ibm.com/docs/en/txseries/8.2?topic=overview-what-is-distributed-computing

https://www.hpcwire.com/2006/07/21/seven_challenges_of_high_performance_computing-1/ 

https://nstproceeding.com/index.php/nuscientech/article/view/383