Redwood AI uppgraderar AI-plattformens prestanda
Redwood AI har släppt en prestandaförbättring för sin AI-drivna syntesprediktionsmodell. Uppgraderingen möjliggör snabbare studier och bredare driftsättning på CPU:er.
Vancouver, Kanada – Redwood AI Corp. har lanserat en prestandafokuserad uppgradering av sin proprietära AI-drivna syntesprediktionsmodell. Syftet med uppgraderingen är att hjälpa användare att identifiera de bästa metoderna för att skapa specifika kemiska föreningar.
En nyckelkomponent i uppgraderingen är att den gör det möjligt för Redwood AI:s syntesmodell att köra fullständiga studier på standardiserad CPU-infrastruktur, istället för att enbart vara beroende av specialiserad GPU-hårdvara. Detta syftar till att öka tillgängligheten för organisationer som kräver kraftfulla AI-modeller som kan köras utan restriktiva molnbaserade uppsättningar, och att förenkla driftsättning i miljöer där GPU-tillgänglighet eller säkerhetskrav, som isolerade "air-gapped"-system, kan orsaka förseningar.
Redwood AI menar att uppgraderingen också harmoniserar med nya strategier för AI-driftsättning kopplade till "AI-suveränitet". Detta stödjer biofarmaceutiska organisationer som prioriterar att hålla beräkningar och känsliga arbetsflöden inom sin egen valda infrastruktur. Genom att möjliggöra effektiv CPU-körning kan användare driftsätta lösningar närmare där data finns, oavsett om det är lokalt, inom specifika regioner eller i strikt kontrollerade miljöer, samtidigt som prestandan bibehålls.
Genom att minska behovet av tung infrastruktur och förbättra körtidseffektiviteten förväntas uppgraderingen också sänka löpande drifts- och värdkostnader. Detta är särskilt värdefullt för organisationer som skalar upp användningen över team eller projekt och där förutsägbara beräkningsbudgetar och stabil prestanda är kritiskt.
"Vi byggde denna prestandauppgradering för att göra plattformen mer pålitlig under verkliga begränsningar", sade Louis Dron, VD för Redwood AI. "Användare ska inte behöva välja mellan hastighet, kontroll och kostnad. Genom att förbättra effektiviteten och möjliggöra fullständiga studier på CPU:er kan team hålla arbetsflöden igång även när infrastrukturen är begränsad."