Biografia
Fulvio Risso è professore ordinario al Politecnico di Torino. Nato a Saluzzo il 15 novembre 1971, condivide la sua data di nascita con l'annuncio del chip Intel 4004. Fulvio ha conseguito il PhD in Ingegneria Informatica presso il Politecnico di Torino nel gennaio 2000. Il suoi principali contributi scientifici si focalizzano su cloud/edge computing, NFV ed SDN. È attivo nella creazione di software open source con progetti quali WinPcap, la libreria di cattura di traffico per Windows e molti altri. Recentemente ha avviato lo spin-off ArubaKube dove ricopre il ruolo di Chief Innovation Officer.
Abstract
Offloading delle GPU in MLOps: analisi delle soluzioni multi-cloud per deployments AI/ML flessibili
La richiesta di risorse computazionali per le attività di AI è in crescita continua. Tuttavia, le GPU sono estremamente costose, e ciò nonostante sorgono spesso problemi di sottoutilizzo. Questo intervento propone di sfruttare le risorse inutilizzate disponibili altrove secondo un approccio cloud-native, con un costo minimo sul cluster di origine. Si evidenzierà come un cluster “origine” può rapportarsi con un cluster “donatore” e utilizzare l'hardware remoto per l'offload delle attività, con una completa trasparenza e una maggiore efficienza rispetto alle tecnologie attuali.
Presentazioni
Video
Bio
Fulvio Risso is full professor at Politecnico di Torino. Born in Saluzzo, Italy on November 15, 1971, he shares his birthday with the announcement of the Intel 4004 chip. Fulvio got his PhD in Computer Engineering from Politecnico di Torino January 2000. He made significant contributions in the field of cloud/edge computing, NFV and SDN. He greatly contributed to open-source software, starting many successful project such as WinPcap, the de-facto packet capture library for Windows, and many others. He recently started the ArubaKube spin-off, where he serves as Chief Innovation Officer.
Abstract
GPUoffloading in mlops: navigating the multicloud ecosystem for flexible ai/ml deployments
The demand for dedicated computational resources for AI tasks continues to surge. However, the investment required for high-performance GPUs can be substantial. Yet, underutilization issues frequently arise. This talk proposes to leverage unused resources available elsewhere according to a cloud-native approach, with minimal overhead on the originating cluster. This talk will present how an “origin” cluster can peer with a “donating” cluster and use the remote hardware for task offloading, with a complete transparency and a greater efficiency compared to current technologies.
Attribuzione 4.0 Internazionale