#障害耐性のAIニュース

3件の記事

PyTorch Monarch を AMD GPU に導入：ROCm 上での単一コントローラー分散トレーニング

PyTorch Monarch は、AMD の ROCm プラットフォーム上で数億パラメータを持つ大規模言語モデルの分散トレーニングを可能にする。この技術はハードウェア障害が発生してもジョブ全体を停止せず動的に回復する機能を提供し、安定した大規模 AI インフラ実現への重要な一歩となる。

CloudflareはRust Workersの信頼性を向上させるため、wasm-bindgenでパニック発生時のリカバリ処理を実装し、ランタイムの不定状態やワーカー破損を防ぐ仕組みを公開した。

メルカリがMySQL互換データベースTiDBで数十億レコードのテーブル変更を実施し、実行速度制御と完了時間見積もりの知見を共有した。