Waarom is dit belangrijk?
Hardware zoals een GPU bepaalt het tempo van AI-ontwikkeling, doordat het trainen van grote modellen steeds meer rekenkracht vraagt. De wetenschap gebruikt een GPU om veel gegevens te verwerken, en in datacenters worden AI-modellen ermee getraind en gebruikt. Voor scholen en werkplekken hangt de snelheid van nieuwe toepassingen daarvan af, maar de energievraag groeit en ruim 80 procent van de chips komt van één leverancier.
Zo werkt het in de praktijk
Ziekenhuizen gebruiken GPU's bij de analyse van MRI-beelden van de hersenen. Bij het KNMI, Deltares en Rijkswaterstaat test het Modelleer Lab deze chips in rekenmodellen. Het lab bouwt een testomgeving voor betrouwbare modellen in weer-, klimaat- en wateronderzoek.
Onderzoekers van de University of Hradec Kralove zochten hoe een GPU een hersen-MRI sneller verwerkt. Zij vergeleken studies die een scan opdelen, een label geven en scans op elkaar leggen. Het overzicht toont kortere verwerkingstijden en noemt blijvende obstakels.
NVIDIA bracht CUDA uit, een programmeermodel waarmee ontwikkelaars rekentaken op een GPU plaatsen. DirectX en OpenGL zijn standaardinterfaces die vastleggen welke functies een GPU moet bieden. Het Modelleer Lab koppelt de chips aan vaste testwijzen en aan Anemoi, een raamwerk van het ECMWF voor weersverwachtingen.




