Machine Learning PC Selbst bauen

Du m├Âchtest einen PC speziell f├╝r Machine-Learning-Anwendungen zusammenbasteln, aber dabei nicht die exorbitanten Preise f├╝r spezialisierte Hardware auf den Tisch legen? Mit ein bisschen Gl├╝ck hast du einen guten PC f├╝r Anwendungsf├Ąlle dieser Art schon zu Hause stehen – denn hinsichtlich ihrer Hardware sind sie den Gaming-PCs nicht un├Ąhnlich.

Wof├╝r brauche ich einen Machine-Learning-PC ├╝berhaupt?

Grob gesagt, f├╝tterst du deinen PC mit sehr gro├čen Datens├Ątzen und trainierst Modelle, um in Zukunft bestimmte Aufgaben besser bew├Ąltigen zu k├Ânnen. Der Computer entwickelt dadurch selbstst├Ąndig Algorithmen, die auf den Daten basieren, die du ihm verabreicht hast. Da wir gerade beim Thema Gaming-PCs waren, hilft ein Beispiel, um die Sache zu verstehen: Denkbar sind etwa L├Âsungen, um die Bildqualit├Ąt in Spielen deutlich zu verbessern, ohne dass dadurch die Leistung beeintr├Ąchtigt wird. NVIDIAs hauseigenes DLSS (Deep Learning Super Sampling) ist ein Beispiel dieser Methode. Zum anderen sind diese Super-PCs auch bei automatisiertem Machine Learning (AutoML) extrem sinnvoll, da sehr viele Experimente durchgef├╝hrt werden. Diese k├Ânnen parallelisiert durchgef├╝hrt werden, um die Laufzeiten der Programme deutlich zu reduzieren.

Ein Teilgebiet dieser L├Âsungen sind Aufgaben wie Feature Engineering: Diese sehr CPU-intensive Aufgabe optimiert die Performance bestehender Algorithmen. Mit anderen Worten: Um alle Felder abzudecken, brauchst du viel CPU- und GPU-Leistung in einem Paket.

Der ideale PC f├╝r Machine Learning: kaufen oder Eigenbau?

Die Hersteller hochspezialisierter Maschinen f├╝r Machine Learning / Deep Learning lassen sich ihre Arbeit nat├╝rlich f├╝rstlich bezahlen. Dabei kochen sie am Ende aber auch nur mit Wasser. Das soll hei├čen: Sie setzen nicht auf Zauberhardware aus einem geheimen Labor, sondern verbauen RAM, GPU, CPU & Co. genauso, wie du es auch machen w├╝rdest.

Eventuell kommen bei gekauften PCs dieser Art besonders zertifizierte Komponenten zum Einsatz (Enterprise-HDDs mit besonders langen Garantielaufzeiten, ECC-RAM und ├Ąhnliche Bauteile), aber der Grundaufbau bleibt derselbe.

Das hei├čt: Die Zeichen stehen gut, dass du dir f├╝r wenig Geld einen vollkommen ausreichenden PC f├╝r die unterschiedlichsten Machine-Learning-Modelle zusammenbauen kannst. Schauen wir uns dazu die wichtigen Komponenten in der ├ťbersicht an:

RAM f├╝r ML Computer

Hier gilt: Viel hilft viel. Je mehr RAM, desto besser. Da Applikationen dieser Art nie genug Arbeitsspeicher haben k├Ânnen, solltest du nicht hier kleinlich sein. Du wirst Unmengen von Daten zwischen CPU und RAM und zur GPU schaufeln, wenn du deine Algorithmen lernen lassen m├Âchtest. Die meisten Datens├Ątze sollten dabei unkomprimiert sein, um Zeit zu sparen. Bei 64 GB DDR4-RAM geht es hier los, mehr kann nicht schaden.

CPU Prozessor f├╝r ML Computer

Du hast die Wahl zwischen Intel und AMD, wobei AMD hier aufgrund der aktuellen CPU-Landschaft klar die Nase vorn hat. Threadripper-CPUs vereinen derma├čen viele Kerne (und Threads) in einem Package, dass Intel in diesem Segment aktuell nichts entgegenzusetzen hat. Kleines Rechenbeispiel: F├╝r einen Threadripper 2920X mit 12 Kernen und 24 Threads bezahlst du etwas weniger als 400 Euro. Bei Intel bekommst du f├╝r denselben Preis 8 Kerne und 16 Threads. Zwar ist dort die Single-Core-Leistung h├Âher, diese spielt bei Machine-Learning-Anwendungen aber eine untergeordnete Rolle. M├Âchtest du genau jetzt zugreifen, f├╝hrt an AMD somit kein Weg vorbei.

GPU Grafikkarte f├╝r ML Computer

Die n├Ąchste gro├če Baustelle ist die GPU: Viel VRAM und eine hohe Geschwindigkeit sind hier wichtig. Bedenken musst du, dass VRAM anders als RAM funktioniert: Hast du nicht gen├╝gend VRAM, aber dein Machine-Learning-Modell verlangt danach, wird es einfach nicht starten. Eine aktuelle GeForce Titan RTX mit 24 GB VRAM wird dieses Problem niemals haben, allerdings ist sie auch entsprechend teuer (knapp 3.000 Euro werden f├Ąllig). Ein besseres Preis-Leistungs-Verh├Ąltnis findest du in allen GPUs ab 8 GB VRAM – also etwa eine RTX 2080 Ti oder auch die ├Ąltere Generation ab GTX 1080.

Netzteil f├╝r Sicherheit

Laufen die meisten Komponenten permanent unter hoher Last, brauchst du auch eine Stromversorgung, die dieser Auslastung standh├Ąlt. Spare daher nicht am falschen Ende und investiere in ein Netzteil mit sowohl einem hohem Effizienzgrad als auch gen├╝gend Leistung. Spielst du mit dem Gedanken, mehrere GPUs zu verbauen, steigt der Stromverbrauch rasant an. Eine pauschale Empfehlung k├Ânnen wir nat├╝rlich nicht geben, da wir nicht wissen, was du am Ende in deinen PC baust. Im Zweifelsfall gilt aber: lieber ein ├╝ber- als unterdimensioniertes Netzteil kaufen. Au├čerdem gilt: Finger weg von No-Name-Produkten!

Wasserk├╝hlung zur Leistungssteigerung f├╝r Machine Learning

Abw├Ąrme muss schnell abtransportiert werden – und von dieser W├Ąrme wird dein PC durch den hohen Stromverbrauch eine Menge produzieren. Wasserk├╝hlungen sind hier eine gute Investition, da Wasser die W├Ąrme schneller leitet als Luft und obendrein auch niedrigere Temperaturen garantiert werden. Auch unter hoher Last m├╝ssen Komponenten dann nicht throtteln oder sich abschalten. Je besser die K├╝hlleistung Deines PC’s desto performanter sind Deine CPU- und GPU Chips. In etwa 30%-45% mehr Leistung l├Ąsst sich dadurch erzielen. Au├čerdem l├Ąuft das System dann leiser als mit einer reinen Luftk├╝hlung, was je nach Aufstellungsort f├╝r deinen PC wichtig sein kann.

Einen ├ťberblick ├╝ber die wichtigsten Komponenten und worauf es ankommt, hast du jetzt – aber spart man damit wirklich so viel Geld?

Der Vergleich zu NVIDIAs DGX Station

Mit der Vorstellung der RTX 2000-Serie hat NVIDIA auch die DGX Station vorgestellt. Dabei handelt es sich um eine Workstation, die f├╝r die AI-Entwicklung konzipiert wurde, aber generell ├╝berall dort zum Einsatz kommen kann, wo Data Science im gro├čen Stil betrieben wird. Ausgestattet ist das Ger├Ąt mit 4 Tesla V100-GPUs (einer auf der Volta-Architektur basierenden GPU mit 16 GB VRAM), einer CPU mit 20 Kernen und 128 GB RAM. F├╝r diese Hardware verlangt NVIDIA stolze 49.000 US-Dollar.

An der Performance der DGX Station gibt es nichts auszusetzen: Machine-Learning-Modelle, die trainiert werden m├╝ssen, schaffen die Arbeit ungef├Ąhr 50 Mal schneller als auf einer einzelnen CPU. Allerdings kannst du dir eine recht ├Ąhnliche Leistung schon f├╝r den Bruchteil eines Preises ins Haus holen – und wenn du einen Gaming-PC dein Eigen nennst, stehen die Chancen auch gut, dass du sowieso schon eine leistungsstarke Grafikkarte, viel RAM und eine schnelle CPU besitzt.

Auch Angebote aus der Cloud halten dem Vergleich nicht stand: Mietest du etwa ├╝ber Amazon (in Form von AWS) oder ├╝ber Microsoft Azure CPU-/GPU-Rechenkapazit├Ąten und nutzt diese f├╝r Machine Learning, sparst du ungef├Ąhr 90 % der Kosten bei der Nutzung einer einzigen GPU ein. Was bei AWS gute 3 Euro pro Stunde kostet, schl├Ągt zu Hause mit nur 20 Cent zu Buche. Der Vorteil w├Ąchst weiter in deine Richtung, wenn du mehr GPUs zuschaltest.

Fazit: Eigenbau ist signifikant g├╝nstiger – und fast genauso gut

Spielst du mit dem Gedanken, mit Machine Learning zu experimentieren, kannst du f├╝r wenige Tausend Euro eine vergleichbare Leistung erzielen wie die gro├čen Cloud-L├Âsungen oder spezialisierte Hardware. F├╝r Privatkunden ist die Investition in diese professionellen L├Âsungen damit praktisch vollkommen unattraktiv – und gewaltige Unterschiede zu Gaming-PCs gibt es, mit Ausnahme der gewaltigen RAM-Best├╝ckung, kaum.

Parapipe

In 15 Minuten
alles ├╝ber KI-Rechner

Wir beraten Sie in einem Call zum Thema Machine Learning Hardware, damit Sie h├Ąufige Fehler vermeiden k├Ânnen.
-Unverbindlich und kostenfrei-
Mehr Informationen 
07145 / 9250255

oder
Call anfragen

Folge uns!
onpost_follow
Tweet