Energie
Parabole AI erzielt die 1.000-fache Beschleunigung für die Optimierung industrieller Prozesse mit Gurobi
Parabole AI
Ziel
Parabole AI hilft großen Unternehmen bei der Lösung komplexer Herausforderungen bei der industriellen Optimierung mit kausaler KI. Kausale KI ist ein Zweig der KI, in dem Algorithmen in der Definition von Ursache-Wirkungs-Beziehungen zwischen Eingaben und Ergebnissen verwurzelt sind. Während sich klassische KI und maschinelles Lernen auf Vorhersagen konzentrieren, arbeitet kausale KI daran, dieselben Fragen generativ mit klaren strukturellen Definitionen zu beantworten. Parabole wollte fachspezifische Kausalmodellierung mit hochmoderner Recheninfrastruktur kombinieren und die beschleunigte Computing-Plattform von NVIDIA nutzen, um die Echtzeit-KI-Entscheidungsfindung in industriellem Maßstab für seine Kunden mit Geschwindigkeit, Kontext und Vertrauen zu transformieren.
Kunde
Parabole AI
Partner
Gurobi
Anwendungsfall
Simulation/Modellierung/Design
Produkte
Das Wichtigste im Überblick
Schnellere kausale KI-Analyse
- Die Gesamt-Kausalanalyse erzielte eine 1.000-fache Beschleunigung (von etwa 10 Stunden auf weniger als 1 Minute) beim Wechsel von CPU zum NVIDIA GH200 Grace Hopper™ Superchip.
Optimierte Modelle für lineare Programmierung
- Der Prozess der Entwicklung und Ausführung von Optimierungsmodellen mit Mixed Integer Linear Programming (MILP) hat eine 1,5- bis 2,5-fache Verbesserung der Geschwindigkeit oder Effizienz erzielt.
Verbesserte Datenverarbeitung und Graphgenerierung
- Die Verarbeitung von Textdaten wurde um das bis zu 6,8-Fache beschleunigt, und die Generierung und Analyse von Kausalgraphen zeigten eine 2,5-mal schnellere Ausführungszeit.
Die Notwendigkeit, für Skalierung zu optimieren
In komplexen industriellen Umgebungen kann es äußerst schwierig sein, Optimierungen in Situationen, in denen Daten unzuverlässig sind, Fachwissen fragmentiert ist und Ziele flexibel sind, skalierbar und umsetzbar zu machen.
Herkömmliche mathematische Optimierungs-Engines wie Gurobi sind leistungsstark, erfordern jedoch klar definierte Variablen, Beschränkungen und Ziele, was oft nicht realisierbar ist, wenn qualitative Daten, funktionsübergreifende Interaktionen und externe Kräfte wie Makroökonomie im Spiel sind. Parabole TRAIN erfasst kontinuierlich funktionsübergreifende Daten, validiert Hypothesen und verfeinert mathematische Modelle für die Ausführung durch eine Optimierungs-Engine. So wird eine dynamische Hochgeschwindigkeitsoptimierung in großem Maßstab ermöglicht. Eine solche Optimierung in großem Maßstab erfordert beschleunigtes Full-Stack-Computing.
Die TRAIN-Plattform von Parabole bietet einen kausalorientierten Ansatz für die Optimierung
Echtzeit-Entscheidungen in großen, komplexen industriellen Umgebungen zu treffen, ist schwierig – insbesondere wenn Daten aus vielen verschiedenen Systemen stammen. Aus diesem Grund hat Parabole die TRAIN-Plattform entwickelt, eine intelligente Lösung, die sich gut in bestehende Workflows einfügt, ohne größere Änderungen zu erfordern.
Anstatt jede mögliche Option zu versuchen (was enorme Rechenleistung erfordert), identifiziert TRAIN die Schlüsselfaktoren, die die Ergebnisse wirklich vorantreiben. Es schränkt die Auswahlmöglichkeiten ein, bevor Berechnungen ausgeführt werden, sodass Entscheidungen schneller und effizienter werden.
Um dies zu erreichen, kombiniert TRAIN Wissenschaft, Unternehmenswissen und reale Daten mit Expertenbeiträgen. Dies hilft dem Unternehmen, intelligentere Szenarien zu testen, die Trial-and-Error-Methode zu reduzieren und die Rechenzeit insgesamt um mehr als das 10-Fache zu verkürzen.
Parabole AI
Optimierung des Entscheidungsraums mit KI
Mit kontextbasierten kombinierten Kausalgraphen erzielte Parabole eine 10-fache Verbesserung der Geschwindigkeit und Relevanz, um die Last der Optimierungsmodelle zu reduzieren.
Um die Anforderungen an eine nahezu Echtzeit-Leistung zu erfüllen, hat Parabole zentrale Kausalmodellierungsvorgänge in Tausenden großer Berechnungsbatches parallelisiert. Dazu nutzte es die beschleunigte Computing-Plattform von NVIDIA, die Folgendes bietet:
- Tausende von NVIDIA® CUDA® Kernen für massiv parallele Workloads
- Hochgeschwindigkeits-Speicherzugriff und NVLink™ Chip-to-Chip (C2C) CPU-GPU-Kommunikation für schnelle Datenübertragung
- Eine skalierbare Infrastruktur, die die wachsende Komplexität von Modellen ohne Latenzspitzen bewältigt.
Diese Synergie aus kausaler Intelligenz, maschinellem Lernen und High-Performance-Computing ermöglicht es TRAIN, kontinuierliche, kontextbezogene Optimierungen zu erzielen und Geschäftsprobleme nicht nur zu lösen, sondern sie vor allem schnell, genau und in großem Maßstab zu lösen.
„Durch die Kombination funktionsübergreifender Expertise mit NVIDIA GPU-beschleunigter Berechnung lösen wir nicht nur Gleichungen, sondern reale Geschäftsprobleme, kontinuierlich, kontextbezogen und nahezu in Echtzeit.“
Sandip Bhaumik
CTO, Parabole AI
1.000-fache Beschleunigung der Generierung von Kausalmodellen
Durch den Wechsel von CPU-basierter zu GPU-beschleunigter Berechnung erzielte Parabole eine 1.000-fache Beschleunigung der Generierung und Analyse von Kausalmodellen.
Dieser Leistungssprung wurde durch die Optimierung der Plattformmodule ermöglicht, um die beschleunigte Computing-Plattform von NVIDIA vollständig zu nutzen. Benchmark-Tests wurden durchgeführt, die mehrere NVIDIA Rechenarchitekturen umfassten – von der NVIDIA Ampere Architektur bis hin zum NVIDIA GH200 Grace Hopper Superchip.
Zu den wichtigsten Leistungssteigerungen durch den Wechsel von der Ampere-Architektur zu GH200 gehören:
- Verarbeitung von Textdaten: 4,5- bis 6,8-fache Beschleunigung
- Generierung und Ausführung mathematischer Modelle (MILP, Mixed Integer Linear Program Optimization): 1,5-fache bis 2,5-fache Verbesserung
- Generierung und Analyse kausaler Graphen: 2,5-mal schnellere Ausführung
Die Gesamtzeit der Kausalanalyse wurde durch den Wechsel von CPU (64 vCPU x86) auf GH200 von ~10 Stunden auf weniger als 1 Minute verkürzt.
Diese Verbesserungen sind nicht nur technische Meisterleistungen, sondern ermöglichen Echtzeit-Entscheidungsfindung im industriellen Maßstab. In einer Bereitstellung bei einem großen Gerätehersteller wurde der KI-Agent von TRAIN für die kausale Optimierung verwendet, um minutengenaue Produktionspläne für eine komplexe Anlage mit mehreren Maschinen und Produkttypen zu generieren. Das System:
- Optimiert für mehrere KPIs, einschließlich Maschinenzustand, Wartungszyklen, Qualität und Abfall
- Vermeidung betrieblicher Sequenzen mit hohem Ausfallrisiko durch Nutzung eingebetteter Kausalkenntnisse von Maschinen und Bedienern
- Schnelle Anpassung an plötzliche Störungen (z. B. Maschinenausfälle oder Bedarfsverschiebungen) durch benutzerfreundliche Szenario-Neukonfiguration
- Reduzierung des wöchentlichen Produktionsplanungsproblems mit über 40 Millionen Entscheidungspunkten auf eine Aufgabe von wenigen Minuten, die bisher mit Brute-Force-Methoden nicht erreichbar war
Zusammenfassung der Intervention und Aufgabenleistung
- 7,200 Sekunden auf einer x86 vCPU mit 64 Kernen
- Abgeschlossen in 7,4 Sekunden auf GH200
- 973-fache Beschleunigung auf NVIDIA GPU
Leistung der Hypothesengenerierung
- 8.500 Sekunden auf einer x86 vCPU mit 64 Kernen
- Abgeschlossen in 8,9 Sekunden auf GH200
- 955-fache Beschleunigung auf der NVIDIA GPU
Die Zukunft der KI-gestützten industriellen Optimierung
Die Integration der TRAIN-Plattform von Parabole, NVIDIA beschleunigtem Computing und dem Gurobi Optimization Solver verbessert industrielle Echtzeit-Prozesse. Diese Zusammenarbeit ermöglicht:
- einen optimierten Entscheidungsraum durch Auswahl kausaler Variablen und Bayes'sche Verfeinerung
- Einbeziehung qualitativer Faktoren für eine realistischere Modellierung
- Ursachenbasierte Empfehlungen, die reale Aktionen vorantreiben
- Echtzeit-Anpassungsfähigkeit an sich ändernde Betriebsbedingungen
- Schnelle Plangenerierung – in weniger als 5 Minuten
- Erklärbare Ergebnisse durch transparente Kausalhypothesen
- Eine benutzerfreundliche Oberfläche für eine einfache Neukonfiguration von Szenarien
Dieses kausale, KI-gestützte Framework ermöglicht es Unternehmen, über herkömmliche, starre Optimierungsmodelle hinauszugehen und eine schnellere, interpretierbare und adaptivere Entscheidungsfindung in industriellem Maßstab zu ermöglichen. Diese neuartige Optimierung ermöglichte einer großen Raffinerie durch die Echtzeit-Generierung von Energieregeln Einsparungen von 5 % an Erdgas und führte zu einer Steigerung der Gesamtanlageneffektivität um 66 % – eine Kennzahl in der Fertigung für Maschinenverfügbarkeit, Produktionsgeschwindigkeit und Produktqualität in großen Produktionslinien.
Mit Blick auf die Zukunft arbeitet Parabole daran, seine Methodik auf zusätzliche Bereiche wie Energie und Logistik zu erweitern und gleichzeitig die Robustheit von KI-Modellen und die Genauigkeit der kausalen Inferenz durch eine tiefere Integration externer und interner Daten zu verbessern.
Entdecken Sie Energieunternehmen, die KI und beschleunigtes Computing nutzen, um industrielle Assets und Prozesse zu entwerfen, zu simulieren, bereitzustellen und zu optimieren.