Ferrante comentou: "No campo da biologia, muitos profissionais não querem lidar com os meandros da infraestrutura e escrever código. No entanto, o aproveitamento das ferramentas e do software dentro da DGX Cloud simplificou esse processo. Com apenas alguns cliques, nossos desenvolvedores podem selecionar um contêiner e acessar um notebook, eliminando a necessidade de proteger o Shell diretamente nos nós. Ao nos permitir executar facilmente vários experimentos em comparação com nossa solução anterior com grande visibilidade na fila de trabalhos, o DGX Cloud aumentou a produtividade do desenvolvedor em 50%."
"Devido à escala de nossos conjuntos de dados, o treinamento de vários nós foi crucial. Anteriormente, orquestrar o treinamento de vários nós era um processo manual, e nunca havíamos tentado isso em uma plataforma de nuvem. Com o DGX Cloud, o treinamento de vários nós agora é tão fácil quanto clicar em um botão, economizando de 7 a 10 meses de trabalho de infraestrutura e ferramentas que incluíam configuração de hardware, criação de contêiner e distribuição de carga de trabalho. Como resultado, nossos modelos não são mais limitados por tamanho ou escala de dados, e nossas corridas de treinamento foram reduzidas de quatro semanas para apenas oito horas."
"Anteriormente, construir o pipeline de descoberta de medicamentos era um processo trabalhoso, exigindo que fizéssemos engenharia reversa meticulosamente e depurássemos cada linha de código, enquanto rastreávamos alterações e gerenciamos várias versões. Antes levava de quatro a seis semanas para montar um pipeline, mas agora, com apenas alguns cliques, podemos mergulhar diretamente nos projetos. Graças à escalabilidade dos modelos BioNeMo e à facilidade de implantação através do NVIDIA NIM, as tarefas de pesquisa e desenvolvimento tornaram-se muito mais suaves. O ajuste fino dos modelos de base da BioNeMo no DGX Cloud e a implementação de um loop de inferência fortaleceram ainda mais a robustez do pipeline", disse Ferrante.
"Com a Atlas AI em vigor, a Deloitte pode fornecer aos usuários pipelines científicos para obter insights acionáveis combinando vários modelos juntos. Por exemplo, em vez de apenas dobrar uma molécula ou calcular uma propriedade, ele pode fornecer um relatório abrangente contendo estruturas ou propriedades dobradas, equipando os usuários com todas as informações necessárias para tomar decisões informadas sobre a viabilidade de uma solução. Também pode mostrar relações entre estruturas de proteínas graficamente e suas conexões, ajudando ainda mais na compreensão de interações moleculares complexas."
Além de uma plataforma poderosa, a equipe única de especialistas dos Serviços Empresariais NVIDIA foi inestimável. "Nós aproveitamos o suporte de ponta a ponta da NVIDIA, que vai desde assistência de plataforma para configuração de treinamento de vários nós e atualizações de contêiner até orientação em nível de aplicação, aproveitando sua ampla experiência em frameworks e modelos da área de saúde para otimizar nossos modelos de IA de forma eficaz", disse Ferrante.