- Notas relacionadas
- Requisitos
- Requisitos de hardware y software
- Arquitectura de AI Fabric
- Instalación
- Primeros pasos
- Proyectos
- Conjuntos de datos
- Paquetes ML
- Procesos
- Habilidades ML
- Logs de ML
- Document Understanding en AI Fabric
- Guía básica de resolución de problemas
AI Center
Requisitos de hardware y software
La siguiente tabla hace algunas recomendaciones promediadas en modelos genéricos (pequeños y grandes).
| CPU | RAM (GB) | Disco del SO/arranque (GB) | Disco de datos externo (GB) | Modelos servidos | Modelos concurrentes entrenados |
|---|---|---|---|---|---|
| 8 | 52 | 200 | 500 | 3 | 1-2 |
| 12 | 64 | 200 | 1000 | 3-4 | 2 |
No hay un valor universal para cuántos recursos consumirá un trabajo de habilidad ML/proceso, ya que depende del modelo. Sin embargo, aquí se muestran recursos mínimos que utiliza un trabajo de habilidad ML/proceso junto con recursos utilizados por un modelo de UiPath Document Understanding como base de referencia.
| Usar | CPU | RAM (GB) |
|---|---|---|
| Servicios básicos | 4 | 10 |
| Mínimo para el servicio (habilidad ML) | 0.5 | 2 |
| Mínimo para entrenamiento (proceso) | 1 | 4 |
| Servicio de modelo de DU | 1 | 4 |
| Entrenamiento de modelo de DU (500 imágenes) | 2 | 24 |
disk, no partition. Consulta el paso 1. Aprovisionar una máquina.
Actualmente solo se admiten las GPU de NVIDIA. La mayoría de escenarios no necesitará entrenamiento en una GPU, ya que la mayoría de las arquitecturas de modelo pueden ejecutarse tanto con GPU como con CPU. Si experimentas restricciones en el tiempo de entrenamiento del modelo, se recomienda añadir una GPU con al menos 8 GB de RAM de vídeo. La instalación de los controladores de la GPU es responsabilidad tuya para poder utilizar la GPU en AI Fabric. Para obtener más información al respecto, consulta la sección Requisito previo.
Los paquetes ML entrenables de Document Understanding proporcionados por UiPath funcionarán tanto en la CPU como en la GPU para los conjuntos de datos de hasta 500 imágenes de tamaño. Se recomienda encarecidamente la GPU para lograr tiempos de entrenamiento más rápidos y un mayor rendimiento del modelo. El bucle de reentrenamiento de la estación de validación no es compatible en implementaciones sin una GPU, debido a que los tamaños del conjunto de datos aumentan demasiado rápido y pueden llegar al límite de la GPU muy rápido. Si ejecutas UiPath OCR (versión no perimetral) en AI Center para procesar más de 2 millones de páginas de documentos al año, se recomienda encarecidamente la GPU para tener una mejor experiencia del producto.
La siguiente tabla enumera los sistemas operativos compatibles de forma oficial para la instalación de AI Fabric On-Premises.
| SO | Versión |
|---|---|
| Ubuntu | 18.04 LTS |
| RHEL | 7.4, 7.5, 7.6, 7.7, 7.8, 7.9 |
| CentOS | 7.4, 7.5, 7.6, 7.7, 7.8, 7.9 |
- La máquina debe tener instalado lvm2.
- Los controladores de almacenamiento de OverlayFS para docker deben poder utilizarse; puedes comprobar los requisitos previos en la documentación de docker. No es necesario instalar nada; solo cumplir los requisitos previos.
Antes de iniciar la instalación, se deben cumplir los siguientes requisitos previos:
- Orchestrator 20.4.3 (o superior)
Consulta la guía aquí para ver varias formas de instalar Orchestrator.
- SQL Server 2014 (o superior)
Se recomienda encarecidamente que utilices el mismo SQL Server que se utilizó al instalar Orchestrator, como se detalla aquí. Para la instalación, necesitarás el nombre del host, el nombre de usuario del administrador y la contraseña de este servidor SQL.
Importante: Asegúrate de que el modo de autenticación de SQL Server está habilitado.Aviso: AI Fabric utiliza SQL solo para el almacenamiento de metadatos. Esto significa que la cantidad del almacén de datos es muy pequeña. No es necesario aprovisionar una gran capacidad de almacenamiento para estas tablas. - Requisitos previos de GPU
Para la instalación de AI Fabric, es un requisito previo que el nodo tenga instalada la versión 450.51.06 del controlador NVIDIA, así como el nvidia-container-runtime.
