Стискає 3D-дані у 30 разів: Zibra AI йде від Голівуду до інжинірингу
Українська компанія Zibra AI представила ZibraXYZ. Технологія стискає інженерні 3D- і 4D-датасети до 30 разів, і з ними можна працювати одразу, без розпакування. Навіть тоді, коли дані фізично не вміщуються в пам'ять робочої станції чи відеокарти, повідомили в компанії.
Навіщо Physics AI стільки даних
- Раніше Zibra AI знали передусім за рішеннями для візуальних ефектів. Компанія представляла модель ZibraVDB, а на SIGGRAPH показувала ZibraGDS, яка стискає дані на 92%. Тепер команда переносить свій досвід із кіно та графіки в інжиніринг і Physics AI.
- У Physics AI моделі вчаться передбачати, як поводяться фізичні системи. Щоб їх натренувати, потрібні гігантські обсяги симуляційних і сенсорних даних. Такі масиви бувають у 1 000–10 000 разів більшими за звичні медіафайли.
- Зазвичай інженерні команди зберігають петабайти нестиснених даних і довго передають їх мережею. Перед аналізом чи навчанням моделей дані ще й окремо копіюють і готують.
- Виходить дорого і повільно: зберігання й передача коштують чималих грошей, а візуалізація та підготовка до навчання розтягуються в часі. Про те, що ШІ дедалі частіше впирається в енергію та кремній, говорять уже давно. У Zibra AI до цього списку додають ще й дані.
Як працює ZibraXYZ
Розробники описують ZibraXYZ як високопродуктивний шар даних для великих інженерних датасетів. Він поєднує стиснення з довільним доступом, потокову передачу напряму з об'єктних сховищ і декомпресію на GPU.
Підписуйтеся на наші соцмережі
Усі дані розбиті на незалежні стиснені блоки. Застосунок завантажує з хмари лише ті фрагменти, які потрібні саме зараз: конкретні поля, регіони, часові кроки чи потрібну роздільність. Розпаковуються вони прямо в пам'яті відеокарти, без участі процесора й проміжних буферів. Швидкість декомпресії сягає 500 ГБ/с.
Тепер про цифри стиснення 3D-даних:
- до 30 разів для структурованих сіток;
- до 15 разів для неструктурованих мешів;
- для кожного поля можна обрати режим без втрат або з контрольованою похибкою.
Технологія працює з об'ємними грідами, волюметричними й поверхневими мешами, хмарами точок і сплатами у 3D та 4D. Візуалізацію можна запускати, щойно надійшли перші потрібні дані. Мережевого трафіку й пам'яті при цьому витрачається значно менше.
Три сценарії роботи зі стисненими даними
Стиснені дані не лежать мертвим архівом: з ними можна одразу працювати в трьох напрямах.
- Візуалізація. Можна інтерактивно працювати з полями, мешами, зрізами та часовими кроками, а дані підвантажуються поступово. Для ParaView дані віддаються у стандартному VTK-сумісному форматі.
- Навчання ШІ-моделей. Є вибіркове читання, буферизація й попереднє завантаження, а також інтеграція з PyTorch і Training Recipes. Training Recipes — відтворювані сценарії відбору та розбиття датасетів.
- Інженерний аналіз. C++/Python SDK дає змогу вбудувати технологію у власні застосунки й пайплайни.
Хто такий Сергій Токарєв
- Сергій Токарєв — український ІТ-підприємець й співзасновник інвестиційної групи Roosh.
- Він також разом із Київською школою економіки створив SET University, із Денисом Дмитренком заснував AI HOUSE й ініціював проєкт STEM is FEM.
- Його проєкти зосереджені на розвитку технологічної освіти, ШІ, стартап-екосистеми і підтримці українського tech-сектору.
- Через Roosh і пов’язані ініціативи Токарєв інвестує, масштабує бізнеси й формує технологічні ком’юніті в Україні й на міжнародних ринках.
- Сергій Токарєв інвестував у Zibra AI. Він вважає, що наступний етап розвитку ШІ визначать дані та робота з фізикою реального світу.
Для українського deep tech ця історія показова. Компанія, яка починала з графіки, тепер пропонує інфраструктурне рішення для інженерії та Physics AI на глобальному ринку.