/

ISO/IEC TR 17903:2024 情報技術 — 人工知能 — 機械学習コンピューティング デバイスの概要 | ページ 6

※一部、英文及び仏文を自動翻訳した日本語訳を使用しています。

3 用語と定義

この文書の目的上、ISO/IEC 22989 および ISO/IEC 23053 に記載されている用語と定義および以下が適用されます。

ISO と IEC は、標準化に使用する用語データベースを次のアドレスで維持しています。

3.1

人工知能コンピューティング

AIコンピューティング

インフラストラクチャを活用して、AI モデルを一緒に構築、最適化、適用する一連のメソッドまたは自動化されたエンティティを可能にする処理

3.2

機械学習コンピューティング

ML コンピューティング

インフラストラクチャを活用して ML モデルをトレーニングおよび実行する処理

3.3

インフラストラクチャー

コンピュータシステムおよびソフトウェアの設計、開発、変更をサポートするハードウェアおよびソフトウェア環境

注記 1:ネットワーク設備は、ハードウェアとソフトウェアで動作するインフラストラクチャーである場合もあります。

[出典: ISO/IEC/IEEE 12207:2017, [ 1] 3.1.25, 修正: エントリに注 1 が追加されました。]

3.4

コンピューティングデバイス

人間の介入の有無にかかわらず、多数の算術演算や論理演算を含む実質的な計算を実行できる 機能単位 (3.6)

注記 1: コンピューティング・デバイスは、スタンドアロン・ ユニット (3.7) または複数の相互接続されたユニットで構成されます。電話やシステム手帳などの特定の機能セットを提供するデバイスや、ラップトップ コンピュータやデスクトップ コンピュータなどのより一般的な機能を提供するデバイスの場合もあります。

注記 2: コンピューティングデバイスには少なくとも 1 つの ユニットが含まれます (3.7) 。

[出典: ISO/IEC 19770-5:2015, [ 2] 3.6, 修正: エントリの注 2 が置き換えられました。]

3.5

ハードウェア

情報処理システムの物理コンポーネントのすべてまたは一部

例：

コンピューター、周辺機器。

[出典: ISO/IEC 2382:2015, [ 3] 2121277, 修正: エントリ 2 および 3 の注を削除]

3.6

機能単位

指定された目的を達成できるハードウェアまたはソフトウェア、またはその両方の実体

注記 1: IEC 50 (191) では、機能単位の代わりに、より一般的な用語 item が使用されます。アイテムには人が含まれる場合があります。

[出典: ISO/IEC 2382:2015, 2123022, 修正: エントリの注記 2 と 3 を削除。]

3.7

ユニット

受け入れテストと認定テストが必要な最低レベルのハードウェア アセンブリ

[出典:ISO 24917:2020, [ 4] 3.4]

3.8

サービス

1 つ以上のコンピューティング モジュールをカプセル化し、指定されたインターフェイスを通じてアクセスできるアプリケーションの種類

[出典:ISO/IEC 19763-5:2015, [ 5] 3.1.18]

3.9

人工知能コンピューティングデバイス

AIコンピューティングデバイス

人工知能コンピューティングの一部またはすべてを高速化するために特に使用できる コンピューティング デバイス (3.4)

注記 1: 人工知能コンピューティングデバイスには、多くの場合、特定の有効化ソフトウェアが含まれており、それと連携して動作します。

3.10

機械学習コンピューティングデバイス

MLコンピューティングデバイス

機械学習コンピューティングの高速化に特に使用できる コンピューティング デバイス (3.4)

注記 1: 機械学習コンピューティングデバイスには、多くの場合、特定の有効化ソフトウェアが含まれており、それと連携して動作します。

注記 2:機械学習コンピューティング デバイスは 、AI コンピューティング デバイス (3.9) のサブセットです。

例：

ニューラル ネットワーク プロセス ユニットとそれに関連する有効化ソフトウェア。

3.11

パフォーマンス

測定可能な結果

注記 1:パフォーマンスは、定量的または定性的な結果に関連する場合があります。

注記 2:パフォーマンスは、活動、プロセス、製品 (サービスを含む)、システム、または組織の管理に関連する場合があります。

[出典:ISO/IEC 27000:2018, [ 6] 3.52]

3.12

効果

計画された活動がどの程度実現され、計画された成果が達成されるか

[出典:ISO/IEC 33001:2015, [ 7] 3.1.3]

3.13

効率

ユーザーが目標を達成する正確さと完全性に関連して費やされるリソース

[出典:ISO/IEC 25063:2014, [ 8] 3.4]

3.14

データ型

それらの値のプロパティとそれらの値に対する操作によって特徴付けられる、個別の値のセット

[出典:ISO/IEC 11404:2007, [ 9] 3.12]

3.15

オペレーター

操作で実行されるアクションを表す数学的または論理的記号、または関数の名前を表す記号

[出典:ISO/IEC/IEEE 24765:2017, [ 12] 3.2716, 修正済み - 3.2716.3 と 3.2716.4 が結合されています。]

3.16

スケジュール

管理対象オブジェクト内または管理対象オブジェクトによって表されるアクティビティの実行のタイミングを制御するメソッド

[出典:ISO/IEC 10164-15:2002, [ 33] 3.1.27]

3.17

トポロジー

媒体接続ポイント間の通信パスの構造

[出典:ISO/IEC 14543-2-1:2006, [ 48] 3.2.30]

3.18

ストリーム

オペレーティング システムに送信される、実行されるジョブまたはジョブの一部の表現のシーケンス

[出典:ISO/IEC 2382:2015, [ 3] 2122886]

3.19

コンピューティング

特定の種類のデータを処理したり、特定のタスクに対するソリューションを提供したりすることを目的として、システムによって実行されるアクションまたはアプローチ。

注記 1:コンピューティングは、機能または特性を提供するシステムであることもあります。

3.20

ヘテロジニアスコンピューティング

複数の種類のプロセッサまたはコアを使用するシステム

[出典:ISO/IEC 30145-3:2020, 3.1.5]

3.21

分散コンピューティング

ネットワークで接続された多数のコンピュータ間での計算とデータの分散

[出典:ISO/IEC/IEEE 24765:2017, [ 12] 3.1240]

3.22

量子コンピューティング

計算目的での量子現象の使用

[出典:ISO/TS 80004-12:2016, 6.5]

3.23

クラウドコンピューティング

セルフサービス プロビジョニングとオンデマンド管理により、共有可能な物理リソースまたは仮想リソースのスケーラブルで弾力性のあるプールへのネットワーク アクセスを可能にするパラダイム

注記 1: リソースの例には、サーバー、オペレーティング・システム、ネットワーク、ソフトウェア、アプリケーション、およびストレージ装置が含まれます。

[出典:ISO/IEC 22123-1:2021, 3.2.1]

3.24

インタークラウドコンピューティング

2 つ以上のクラウド サービス プロバイダー間の相互作用を可能にするパラダイム

[出典:ISO/IEC 22123-1:2021, 3.12.1]

3.25

エッジコンピューティング

処理とストレージがエッジまたはここで, 近接性はシステムの要件によって定義されます。

[出典:ISO/IEC TR 23188:2020, 3.1.3]

3.26

処理

AI システムによって実行されるアルゴリズムの実行、データの処理、またはそれらのシーケンス

3.27

バッファ.バッファ

データの転送または使用に関与するデバイスまたはプロセスによって処理できるデータ フローの速度、イベントの発生時間、またはデータ量の違いを補償するために、データを一時的に保存するために使用されるデバイスまたはストレージ領域

[出典:ISO/IEC/IEEE 24765:2017, [ 12] 3.430.1]

3.28

キャッシュ

頻繁に使用されるデータをすぐに取得できるようにすることで操作を改善するための、コンピュータ メモリ内の一時的なストレージ

[出典:ISO/IEC/IEEE 24765:2017, [ 12] 3.452.1]

参考文献

1ISO/IEC/IEEE 12207:2017, システムおよびソフトウェア エンジニアリング — ソフトウェア ライフ サイクル プロセス
2ISO/IEC 19770-5:2015, 情報テクノロジー — IT 資産管理 — 概要と用語集 — Part 5: 概要と用語集
3ISO/IEC 2382:2015, 情報技術 - 語彙
4ISO 24917:2020, 宇宙システム — 打ち上げロケットの一般試験要件
5ISO/IEC 19763-5:2015, 情報技術 — 相互運用性のためのメタモデル フレームワーク (MFI) — Part 5: プロセス モデル登録のためのメタモデル
6ISO/IEC 27000:2018, 情報技術 — セキ​​ュリティ技術 — 情報セキュリティ管理システム — 概要と用語
7ISO/IEC 33001:2015, 情報技術 — プロセス評価 — 概念と用語
8ISO/IEC 25063:2014, システムおよびソフトウェア エンジニアリング — システムおよびソフトウェア製品の品質要件および評価 (SQuaRE) — ユーザビリティのための Common Industry Format (CIF): 使用のコンテキストの説明
9ISO/IEC 11404:2007, 情報技術 - 汎用データ型 (GPD)
10IEEE 754, 浮動小数点演算の標準
11Devlin Jacob et al.、Bert: 言語理解のための深い双方向トランスフォーマーの事前トレーニング。 NAACL-HL 2019, 1, 4171-418
12ISO/IEC/IEEE 24765:2017, システムおよびソフトウェア エンジニアリング — 語彙
13García José 他、摂動演算子による機械学習二値化フレームワークの強化: 多次元ナップザック問題の分析。機械学習とサイバネティクスの国際ジャーナル。 2020, 11, (9)、1951-197土井:10.1007/s13042-020-01085-8
14クレスポ・ホセ、モンタンス・フランシスコ・ハビエル、分数数学演算子とその計算近似。工学における数学的問題。 2016, 4356371, 1-1土井: 10.1155/2016/4356371
15Cowan M. 他、低精度深層学習演算子の自動生成。 arXiv プレプリント。 arXiv:1810.1106 2018年。
16Zhang X. 他、Predoo: 深層学習演算子の精度テスト。ソフトウェアのテストと分析に関する第 30 回 ACM SIGSOFT 国際シンポジウムの議事録。 400-41 2021年。
17Cheng X. 他、HAFLO: 統合ロジスティック回帰のための GPU ベースの高速化。 arXiv プレプリント。 arXiv:2107.1379 2021年。
18NVIDIA Corporation および関連会社。 CUDA C++ プログラミング ガイド。 CUDA C++ プログラミング Guide [オンライン] 。米国、カリフォルニア州、2023年8月23日 [2023年9月20日閲覧以下から入手可能: https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html
19華為技術有限公司CANNコミュニティ版。 CANN コミュニティ[オンライン] 。 CN, 広東省、2023年9月18日 [2023年9月20日閲覧以下から入手可能: https://www.hiascend.com/software/cann/community
20IntelCorporation 、oneAPI プログラミング モデル。 oneAPI プログラミング ガイド[オンライン] 。米国、カリフォルニア州、2023年7月14日 [2023年9月20日閲覧以下から入手可能: https://www.intel.com/content/www/us/en/docs/oneapi/programming-guide/2023-2/overview.html
21i2チュートリアル。 TensorFlow オペレーター。 TensorFlow チュートリアル[オンライン] 。インド、バングロア、2023年4月20日 [2023年9月20日閲覧以下から入手可能: https://www.i2tutorials.com/tensorflow-tutorial/tensorflow-operators/
22P y TorchContributors 、Named Tensors オペレーターのカバレッジ。 Linux Foundation Pytorch ドキュメント [オンライン米国、オレゴン州、2023年3月15日 [2023年9月20日閲覧以下から入手可能: https://pytorch.org/docs/stable/name_inference.html
23華為技術有限公司MindSpore オペレーターリスト。 HUAWEI MindSpore コミュニティ[オンライン CN, 広東省、2023年7月12日 [2023年9月20日閲覧以下から入手可能: https://www.mindspore.cn/doc/note/en/r1.0/operator_list_ms.html
24寄稿者 MLIR, マルチレベル中間表現の概要。マルチレベル IR コンパイラ フレームワーク [オンライン米国、イリノイ州、2023年8月22日 [2023年9月20日閲覧以下から入手可能: https://mlir.llvm.org/
25The L inuxFoundationhe 、機械学習の相互運用性のオープン スタンダードです。 Open Neural Network Exchange [オンライン]米国、オレゴン州、2023 年 3 月 6 日 [2023 年 9 月 20 日閲覧から入手可能: https://onnx.ai/
26クロノスグループ、OpenCL 仕様 3. Khronos OpenCL ワーキング グループ[オンライン米国、オレゴン州、2023年4月17日 [2023年9月20日閲覧以下から入手可能です: https://www.khronos.org/registry/OpenCL/specs/3.0-unified/pdf/OpenCL_API.pdf
27Ahmad ABDELFATTAH 他、MAGMA 2.7.マグマ[オンライン] 。米国、テネシー州、2023年8月25日 [2023年9月20日閲覧から入手可能: https://github.com/kjbartel/clmagma
28Panda Preeti Ranjan, Dutt Nikil D.、Nicolau Alexandru, オンチップ メモリとオフチップ メモリ: 組み込みプロセッサ ベースのシステムにおけるデータ パーティショニングの問題。電子システムの設計自動化に関する ACM トランザクション(TODAES)。 2000, 5(3)​​、682-70土井:10.1145/348019.348570
29Cong J. et al.、HLS のオンチップ メモリ再構築による帯域幅の最適化。第 54 回 ACM/EDAC/IEEE デザイン オートメーション カンファレンス。 1-6. IEE 2017年。
30Park J.、Sung W.、オンチップ メモリのみを使用したディープ ニューラル ネットワークの FPGA ベースの実装。 2016 IEEE 音響、音声および信号処理に関する国際会議 (ICASSP) 。 1011年から1015年。 IEEE, 2016 年。
31Li H. et al.、モバイルディープニューラルネットワークアクセラレータのためのオンチップメモリ​​技術設計空間探査。 2019 第 56 回 ACM/IEEE デザイン オートメーション カンファレンス (DAC) 。 1-6. IEE 2019年。
32NVIDIA Corporation および関連会社。ソリューションの概要。 NVIDIA DGX プラットフォーム NVIDIA AI の最高のものをすべて 1 か所 [オンライン] で提供します。米国、カリフォルニア州、2023 年 3 月 [2023 年 9 月 20 日閲覧以下から入手可能: https://resources.nvidia.com/en-us-dgx-platform/nvidia-dgx-platform-solution-overview-web-us
33ISO/IEC 10164-15:1995, 情報技術 — オープン システム相互接続 — システム管理: スケジューリング機能
34Mirmahaleh Seyedeh Yasaman Hosseini 他、深層学習アクセラレータにおけるデータのスケジューリングと配置。クラスターコンピューティング。 2021, 24, (4)、3651-366土井:10.1007/s10586-021-03355-8
35Giorgi Roberto, Scionti Alberto, データフロー原理に基づいたスケーラブルなスレッド スケジューリング コプロセッサ。将来世代のコンピュータ システム。 2015, 53, 100-10土井:10.1016/j.future.2014.12.014
36Raveendran A. et al.、RISC-V 半精度浮動小数点命令セット拡張およびコプロセッサ。 VLSIの設計とテストに関する国際シンポジウム。 1066, 482-49スプリンガー。 2019年。
37Rivas-Gomez S. et al.、推論用のコプロセッサーとしてのビジョン処理ユニットの探索。 2018 IEEE 国際並列分散処理シンポジウム ワークショップ (IPDPSW) 。 589-59 IEEE, 2018年。
38Akgün G.、Göhringer D.、再構成可能なアーキテクチャ上の電力認識リアルタイム オペレーティング システム。 2021 第 31 回フィールド プログラマブル ロジックおよびアプリケーション (FPL) に関する国際会議。 402-40 IEEE, 2021 年。
39Poluri Pavan, Louri Ahmed, Shield: チップ マルチプロセッサ向けの信頼性の高いネットワークオンチップ ルーター アーキテクチャ。並列および分散システム上の IEEE トランザクション。 2016, 27, (10)、3058-307土井: 10.1109/TPDS.2016.2521641
40萩原けさみら、IoT, エッジ AI, ロボット アプリケーション向けに FPGA および SoC 上に実装された SH-2 アーキテクチャの 2 ステージ パイプライン CP低電力および高速チップ (COOL CHIPS) に関する 2018 IEEE シンポジウム。 1-3. IEE 2018年
41He K. 他、画像認識のための深層残差学習。コンピュータ ビジョンとパターン認識に関する IEEE 会議の議事録。 770-77 IEE 2016年。
42Yang Wangdong, Li Kenli, Li Keqin, CPU および GPU 上の 3 次テンソルに対する SpTV のパイプライン コンピューティング手法。データからの知識発見に関する ACM トランザクション(TKDD)。 2019, 13, (6)、1-2土井:10.1145/3363575
43Mohanty PK 他、CPU-GPU クラスター上のパイプライン モデルを使用した並列スケルトンへの 3 次スプライン補間の実装。 2016 IEEE 第 6 回アドバンスト コンピューティング国際会議 (IACC) 。 747-75 IEEE, 2016 年。
44Chrysogelos P. et al.、HetExchange: JIT コンパイル済みエンジンでの異種 CPU-GPU 並列処理のカプセル化。手順VLDB 寄付金。 12, 544-55 2019年。
45Li Zhifang, Peng Beicheng, Weng Chuliang, XeFlow: ディスクリート CPU-GPU プラットフォームのプロセッサ間パイプライン実行の合理化。コンピュータ上の IEEE トランザクション。 2020, 69, (6)、819-83土井: 10.1109/TC.2020.2968302
46Xiang Y.、Kim H.、マルチ DNN リアルタイム推論のためのパイプライン データ並列 CPU/GPU スケジューリング。 2019 IEEE リアルタイム システム シンポジウム (RTSS) 。 392-40 IEEE, 2019年
47Chen CC, Yang CL, Cheng HY, マルチ GPU プラットフォームでのモデル並列処理による効率的かつ堅牢な並列 dnn トレーニング。 arXiv プレプリント。 arXiv:1809.02839, 2018
48ISO/IEC 14543-2-1:2006, 情報技術 - ホームエレクトロニクス システム (HES) アーキテクチャ — Part 2-1: 導入とデバイスのモジュール性
49Martínez-Frutos Jesús, Martínez-Castejón Pedro J.、Herero-Pérez David, マルチレベル粒度の GPU コンピューティングを使用した効率的なトポロジー最適化。エンジニアリング ソフトウェアの進歩。 2017, 106, 47-6 doi:10.1016/j.advengsoft.2017.01.009
50Sotiropoulos Stefanos, Kazakis Georgios, Lagaros Nikos D.、高性能トポロジー最適化コンピューティング プラットフォーム。プロセディア製造 44, 441-44 2020年
51Mirmahaleh SYH 他、メッシュベースの深層学習アクセラレータでのフロー マッピングとデータ分散。ネットワークオンチップに関する第 13 回 IEEE/ACM 国際シンポジウムの議事録。 1-8. 2019年。
52Firuzan A. 他、3D ニューラル ネットワーク アクセラレータ用の再構成可能なネットワーク オン チップ。 2018 年ネットワークオンチップ (NOCS) に関する第 12 回 IEEE/ACM 国際シンポジウム。 1-8. IEE 2018年。
53Zou Kaiwei 他、Learn-to-scale: チップ マルチプロセッサ アーキテクチャでの深層学習推論の並列化。ヨーロッパのカンファレンスおよび展示会での設計、自動化およびテスト (日付) 。 1172年から1177年。 IEE 2019年。
54Scionti Alberto, Mazumdar Somnath, Portero Antoni, 次世代クラウド向けのスケーラブルなソフトウェア デファインド ネットワーク オン チップに向けて。センサー。 2018, 18, (7)、23-3土井:10.3390/s18072330
55Tallent NR 他、ディープ ラーニング ワークロードのオンノード GPU インターコネクトの評価。高性能コンピュータ システムのパフォーマンス モデリング、ベンチマーク、およびシミュレーションに関する国際ワークショップ。 8, 3-2スプリンガー。 2017年。
56Gawande Nitin A. 他、深層学習ワークロードのスケーリング: Nvidia dgx-1/pascal およびインテル ナイツ ランディング。将来世代コンピュータシステム 108, 1162-117 2020年。
57Zhao H. 他、HiveD: 保証付きディープラーニング用の GPU クラスターの共有。オペレーティング システムの設計と実装に関する第 14 回 USENIX シンポジウム (OSDI 20) 。 515-53 2020年。
58Luitjens J.、CUDA Streams – ベスト プラクティスと一般的な落とし穴。 GPU テクノロジー カンファレンス [オンライン] 。米国、カリフォルニア州、2014 年 3 月 26 日 [2023 年 9 月 20 日閲覧以下から入手可能: https://on-demand.gputechconf.com/gtc/2014/presentations/S4158-cuda-streams-best-practices-common-pitfalls.pdf
59Zhang F. 他、FineStream: CPU-GPU 統合アーキテクチャ上のファイングレイン ウィンドウベースのストリーム処理。 2020 USENIX 年次技術カンファレンス (USENIX ATC 20) 。 633-64 2020年。
60Wang L. et al.、Blasx: ヘテロジニアス マルチGPU コンピューティング用の高性能レベル 3 blas ライブラリ。 2016 年スーパーコンピューティング国際会議の議事録。 20, 1-1 2016年。
61Cheng J.、Zhao K.、Xu Y.、ディープ ラーニング プロセッサのためのグローバル ビュー ベースのタスク移行。アプリケーションによる並列および分散処理、ビッグデータとクラウド コンピューティング、持続可能なコンピューティングと通信、ソーシャル コンピューティングとネットワーキングに関する 2021 年 IEEE 国際会議。 908-91 IEEE, 2021 年。
62Dhakal A.、Kulkarni SG, Ramakrishnan KK, エッジでの機械学習: 多重化による限られた CPU/GPU リソースの効率的な利用。 2020 IEEE 第 28 回ネットワーク プロトコル国際会議 (ICNP) 。 1-6. IEE 2020年。
63Mills Richard Tran 他、GPU ベースのエクサスケール システム向けのパフォーマンスとポータブルな PETSc に向けて。並列コンピューティング。 2020, 108, 102831.doi:10.1016/j.parco.2021.102831
64ISO/IEC 15045-2, 情報技術 — Home Electronic System (HES) ゲートウェイ — Part 2: モジュール性とプロトコル
65ISO/IEC 18012-2, 情報技術 — ホーム電子システム — 製品の相互運用性に関するガイドライン — Part 2: 分類とアプリケーションの相互運用性モデル
66ISO/IEC/IEEE 9945, 情報技術 - ポータブル オペレーティング システム インターフェイス (POSIX®) 基本仕様、第 7 号
67ISO/IEC 23007-1, 情報技術 - リッチメディア ユーザー インターフェイス - Part 1: ウィジェット
68ISO/IEEE 11073-10422, 健康情報学 — 個人用健康デバイス通信 — Part 10422: デバイスの専門化 — 尿分析装置
69IEC 80004-9, ナノテクノロジー — 語彙 — Part 9: ナノ対応の電気工学製品およびシステム
70ISO/IEC 19944-1, クラウド コンピューティングおよび分散プラットフォーム ─ データ フロー、データ カテゴリ、およびデータの使用 — Part 1: 基礎
71ISO/IEC 19505-1, 情報テクノロジー — オブジェクト管理グループ統一モデリング言語 (OMG UML) — Part 1: インフラストラクチャ
72ISO 15531-1, 産業オートメーション システムと統合 — 産業製造管理データ — Part 1: 概要
73Gholami Amir et al.、効率的なニューラル ネットワーク推論のための量子化方法の調査。低電力コンピュータビジョン。チャップマンとホール/CR 2022, 291-32土井: 10.1201/9781003162810-13
74ISO 10795, 宇宙システム — プログラム管理と品質 — 語彙
75ISO 22166-1, ロボティクス — サービス ロボットのモジュール性 — Part 1: 一般要件
76ISO 9000, 品質マネジメントシステム - 基礎と用語
77ISO/IEC 19763-5, 情報技術 — 相互運用性のためのメタモデル フレームワーク (MFI) — Part 5: プロセス モデル登録のためのメタモデル
78ISO/TR 12773-2, 健康概要記録のビジネス要件 — Part 2: 環境スキャン
79ISO/IEEE 11073-20702, 医療情報学 — ポイントオブケア医療機器通信 — Part 20702: Web サービス用の医療機器通信プロファイル
80ISO 26000, 社会的責任に関するガイダンス
81ISO 19145:2013, 地理情報 — 地理的位置の表現のレジストリ
82ISO/IEC/IEEE 15939, システムおよびソフトウェアエンジニアリング - 測定プロセス
83ISO/IEC 24752-8, 情報技術 — ユーザー インターフェイス — ユニバーサル リモート コンソール — Part 8: ユーザー インターフェイス リソース フレームワーク
84ISO/IEC TR 30109, 情報技術 — ユーザー インターフェイス — パーソナライズされたコンピューター環境を世界中で利用可能
85ISO 22902-1, 道路車両 — 自動車マルチメディア インターフェイス — Part 1: 一般的な技術概要
86ISO 27501, 人間中心の組織 — 管理者向けガイダンス
87ISO 13372, 機械の状態監視と診断 — 語彙
88Xu D.、Xu M.、Wang Q. 他、Mandheling: dsp オフロードを使用した混合精度のオンデバイス dnn トレーニング。第 28 回モバイル コンピューティングとネットワーキングに関する年次国際会議の議事録。 214-22 2022年
89Micikevicius P.、Narang S.、Alben J.、Diamos G.、Elsen E.、Garcia D.、Wu, H. 混合精度トレーニング。 ICL 2018年
90ISO/IEC 5212, 情報技術 – データ使用 – データ使用に関するガイダンス
91ISO/IEC 11179-1, 情報技術 — メタデータ レジストリ (MDR) — Part 1: フレームワーク
92ISO/IEC 11179-30, 情報技術 — メタデータ レジストリ (MDR) — Part 30: メタデータの基本属性
93ISO/IEC 19763-1, 情報技術 — 相互運用性のためのメタモデル フレームワーク (MFI) — Part 1: フレームワーク
94ISO/IEC 19763-3, 情報技術 — 相互運用性のためのメタモデル フレームワーク (MFI) — Part 3: オントロジー登録のためのメタモデル
95ISO/IEC 8183, 情報技術 - 人工知能 - データ ライフ サイクル フレームワーク
96ISO/IEC 5259-1:—、 1人工知能 — 分析および機械学習 (ML) のためのデータ品質 — Part 1: 概要、用語、および例
97Zheng C.、Zong B.、Cheng W.、Song D.、Ni J.、Yu W.、Wang W.、ニューラル スパース化による堅牢なグラフ表現学習。機械学習に関する国際会議。 11458～1146 PML 2020年
98Giladi R.、Ahitav N.、パフォーマンス評価尺度としての SPEコンピュータ、28, (8)、33-4 1995年
99ISO/IEC 30134-2, 情報技術 — データセンター — 主要業績評価指標 — Part 2: 電力使用効率 (PUE)
100ISO/IEC TS 4213, 情報技術 - 人工知能 - 機械学習分類パフォーマンスの評価
101IEEE 2937, 人工知能サーバー システムのパフォーマンス ベンチマークの標準
102ISO/IEC 16350, 情報技術 - システムおよびソフトウェア エンジニアリング - アプリケーション管理
103ISO/IEC 30145-3, 情報技術 — スマートシティ ICT 参照フレームワーク — Part 3: スマートシティエンジニアリングフレームワーク

3 Terms and definitions

For the purposes of this document, the terms and definitions given in ISO/IEC 22989 and ISO/IEC 23053 and the following apply.

ISO and IEC maintain terminology databases for use in standardization at the following addresses:

3.1

artificial intelligence computing

AI computing

processing that leverages infrastructures to enable the set of methods or automated entities that together build, optimize and apply an AI model

3.2

machine learning computing

ML computing

processing that leverages infrastructures to train and execute ML models

3.3

infrastructure

hardware and software environment to support computer system and software design, development, and modification

Note 1 to entry: Network facilities can be also infrastructure working with hardware and software.

[SOURCE:ISO/IEC/IEEE 12207:2017,[1] 3.1.25, modified: note 1 to entry is added.]

3.4

computing device

functional unit (3.6) that can perform substantial computations, including numerous arithmetic operations and logic operations with or without human intervention

Note 1 to entry: A computing device can consist of a stand-alone unit (3.7) , or several interconnected units. It can also be a device that provides a specific set of functions, such as a phone or a personal organizer, or more general functions such as a laptop or desktop computer.

Note 2 to entry: A computing device contains at least one unit (3.7) .

[SOURCE:ISO/IEC 19770-5:2015,[2] 3.6, modified: note 2 to entry is replaced.]

3.5

hardware

all or part of the physical components of an information processing system

EXAMPLE:

Computers, peripheral devices.

[SOURCE:ISO/IEC 2382:2015,[3] 2121277, modified: removed note to entry 2 and 3]

3.6

functional unit

entity of hardware or software, or both, capable of accomplishing a specified purpose

Note 1 to entry: In IEC 50 (191), the more general term item is used in place of functional unit. An item may sometimes include people.

[SOURCE:ISO/IEC 2382:2015, 2123022, modified: removed notes 2 and 3 to entry.]

3.7

unit

lowest level of hardware assembly for which acceptance and qualification tests are required

[SOURCE:ISO 24917:2020,[4] 3.4]

3.8

service

kind of application which encapsulates one or more computing modules and can be accessed through a specified interface

[SOURCE:ISO/IEC 19763-5:2015,[5] 3.1.18]

3.9

artificial intelligence computing device

AI computing device

computing device (3.4) that can be specifically used for accelerating some or all of artificial intelligence computing

Note 1 to entry: An artificial intelligence computing device often contains and works with specific enabling software.

3.10

machine learning computing device

ML computing device

computing device (3.4) that can be specifically used for accelerating machine learning computing

Note 1 to entry: A machine learning computing device often contains and works with specific enabling software.

Note 2 to entry: Machine learning computing device is a subset of AI computing device (3.9) .

EXAMPLE:

A neural network process unit and its associated enabling software.

3.11

performance

measurable result

Note 1 to entry: Performance can relate either to quantitative or qualitative findings.

Note 2 to entry: Performance can relate to the management of activities, processes, products (including services), systems or organizations.

[SOURCE:ISO/IEC 27000:2018,[6] 3.52]

3.12

effectiveness

extent to which planned activities are realized and planned results are achieved

[SOURCE:ISO/IEC 33001:2015,[7] 3.1.3]

3.13

efficiency

resources expended in relation to the accuracy and completeness with which users achieve goals

[SOURCE:ISO/IEC 25063:2014,[8] 3.4]

3.14

datatype

set of distinct values, characterized by properties of those values and by operations on those values

[SOURCE:ISO/IEC 11404:2007,[9] 3.12]

3.15

operator

mathematical or logical symbol that represents an action to be performed in an operation, or a symbol representing the name of a function

[SOURCE:ISO/IEC/IEEE 24765:2017,[12] 3.2716, modified — 3.2716.3 and 3.2716.4 are combined.]

3.16

schedule

methods for controlling the timing of the execution of an activity within or represented by a managed object

[SOURCE:ISO/IEC 10164-15:2002,[33] 3.1.27]

3.17

topology

structure of the communication paths between the medium attachment points

[SOURCE:ISO/IEC 14543-2-1:2006,[48] 3.2.30]

3.18

stream

sequence of representations of jobs or parts of jobs to be performed, as submitted to an operating system

[SOURCE:ISO/IEC 2382:2015,[3] 2122886]

3.19

computing

actions performed or approaches implemented by a system, aiming at processing specific kinds of data or providing solutions to certain tasks

Note 1 to entry: Computing can also be a system providing functionalities or characteristics.

3.20

heterogeneous computing

system that uses more than one kind of processor or cores

[SOURCE:ISO/IEC 30145-3:2020, 3.1.5]

3.21

distributed computing

spreading of computation and data across a number of computers connected by a network

[SOURCE:ISO/IEC/IEEE 24765:2017,[12] 3.1240]

3.22

quantum computing

use of quantum phenomena for computational purposes

[SOURCE:ISO/TS 80004-12:2016, 6.5]

3.23

cloud computing

paradigm for enabling network access to a scalable and elastic pool of shareable physical or virtual resources with self-service provisioning and administration on-demand

Note 1 to entry: Examples of resources include servers, operating systems, networks, software, applications and storage equipment.

[SOURCE:ISO/IEC 22123-1:2021, 3.2.1]

3.24

inter-cloud computing

paradigm for enabling the interworking between two or more cloud service providers

[SOURCE:ISO/IEC 22123-1:2021, 3.12.1]

3.25

edge computing

distributed computing in which processing and storage takes place at or near the edge ここで, the nearness is defined by the system's requirements

[SOURCE:ISO/IEC TR 23188:2020, 3.1.3]

3.26

processing

run of an algorithm, treatment on data or a sequence of them performed by AI systems

3.27

buffer

device or storage area used to store data temporarily to compensate for differences in rates of data flow, time of occurrence of events, or amounts of data that can be handled by the devices or processes involved in the transfer or use of the data

[SOURCE:ISO/IEC/IEEE 24765:2017,[12] 3.430.1]

3.28

cache

temporary storage in computer memory, to improve operations by having frequently used data readily available for retrieval

[SOURCE:ISO/IEC/IEEE 24765:2017,[12] 3.452.1]

Bibliography

1ISO/IEC/IEEE 12207:2017, Systems and software engineering — Software life cycle processes
2ISO/IEC 19770-5:2015, Information technology — IT asset management — Overview and vocabulary — Part 5: Overview and vocabulary
3ISO/IEC 2382:2015, Information technology — Vocabulary
4ISO 24917:2020, Space systems — General test requirements for launch vehicles
5ISO/IEC 19763-5:2015, Information technology — Metamodel framework for interoperability (MFI) — Part 5: Metamodel for process model registration
6ISO/IEC 27000:2018, Information technology — Security techniques — Information security management systems — Overview and vocabulary
7ISO/IEC 33001:2015, Information technology — Process assessment — Concepts and terminology
8ISO/IEC 25063:2014, Systems and software engineering — Systems and software product Quality Requirements and Evaluation (SQuaRE) — Common Industry Format (CIF) for usability: Context of use description
9ISO/IEC 11404:2007, Information technology — General-Purpose Datatypes (GPD)
10IEEE 754, Standard for Floating-Point Arithmetic
11Devlin Jacob et al., Bert: Pre-training of deep bidirectional transformers for language understanding. NAACL-HLT. 2019, 1, 4171-4186.
12ISO/IEC/IEEE 24765:2017, Systems and software engineering — Vocabulary
13García José et al., Enhancing a machine learning binarization framework by perturbation operators: analysis on the multidimensional knapsack problem. International Journal of Machine Learning and Cybernetics. 2020, 11(9), 1951-1970. doi:10.1007/s13042-020-01085-8
14Crespo José, Montáns Francisco Javier, Fractional Mathematical Operators and Their Computational Approximation. Mathematical Problems in Engineering. 2016, 4356371, 1-12. doi: 10.1155/2016/4356371
15Cowan M. et al., Automating generation of low precision deep learning operators. arXiv preprint. arXiv:1810.11066. 2018.
16Zhang X. et al., Predoo: precision testing of deep learning operators. Proceedings of the 30th ACM SIGSOFT International Symposium on Software Testing and Analysis. 400-412. 2021.
17Cheng X. et al., HAFLO: GPU-Based Acceleration for Federated Logistic Regression. arXiv preprint. arXiv:2107.13797. 2021.
18NVIDIA Corporation & affiliates. CUDA C++ Programming Guide. CUDA C++ Programming Guide [online]. U.S., California, 23 August 2023 [viewed 20 September 2023]. Available from: https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html
19HUAWEI Technologies CO, Ltd. CANN Community Edition. CANN Community[online]. CN, Guangdong, 18 September 2023 [viewed 20 September 2023]. Available from: https://www.hiascend.com/software/cann/community
20Intel Corporation, oneAPI Programming Model. oneAPI Programming Guide[online]. U.S., California, 14 July 2023 [viewed 20 September 2023]. Available from: https://www.intel.com/content/www/us/en/docs/oneapi/programming-guide/2023-2/overview.html
21i2tutorials. TensorFlow Operators. TensorFlow Tutorial[online]. India, Banglore, 20 April 2023 [viewed 20 September 2023]. Available from: https://www.i2tutorials.com/tensorflow-tutorial/tensorflow-operators/
22PyTorch Contributors, Named Tensors operator coverage. The Linux Foundation Pytorch Docs [online]. U.S., State of Oregon, 15 Mar 2023 [viewed 20 September 2023]. Available from: https://pytorch.org/docs/stable/name_inference.html
23HUAWEI Technologies CO, Ltd. MindSpore Operator List. HUAWEI MindSpore Community[online]. CN, Guangdong, 12 July 2023 [viewed 20 September 2023]. Available from: https://www.mindspore.cn/doc/note/en/r1.0/operator_list_ms.html
24Contributors M.L.I.R., Multi-Level Intermediate Representation Overview. Multi-Level IR Compiler Framework [online]. U.S., State of Illinois, 22 August 2023 [viewed 20 September 2023]. Available from: https://mlir.llvm.org/
25The Linux Foundation, The open standard for machine learning interoperability. Open Neural Network Exchange [online] U.S., State of Oregon, 6 March 2023 [viewed 20 September 2023]. Available from: https://onnx.ai/
26Khronos Group, The OpenCL Specification 3.0. Khronos OpenCL Working Group[online]. U.S., State of Oregon, 17 April 2023 [viewed 20 September 2023]. Available from: https://www.khronos.org/registry/OpenCL/specs/3.0-unified/pdf/OpenCL_API.pdf
27Ahmad A.B.D.E.L.F.A.T.T.A.H. et al., MAGMA 2.7.2. MAGMA[online]. U.S., Tennessee, 25 August 2023 [viewed 20 September 2023]. Available from: https://github.com/kjbartel/clmagma
28Panda Preeti Ranjan, Dutt Nikil D., Nicolau Alexandru, On-chip vs. off-chip memory: the data partitioning problem in embedded processor-based systems. ACM Transactions on Design Automation of Electronic Systems (TODAES). 2000, 5(3), 682-704. doi:10.1145/348019.348570
29Cong J. et al., Bandwidth optimization through on-chip memory restructuring for HLS. The 54th ACM/EDAC/IEEE Design Automation Conference. 1-6. IEEE. 2017.
30Park J., Sung W., FPGA based implementation of deep neural networks using on-chip memory only. 2016 IEEE International conference on acoustics, speech and signal processing (ICASSP). 1011-1015. IEEE, 2016.
31Li H. et al., On-chip memory technology design space explorations for mobile deep neural network accelerators. 2019 56th ACM/IEEE design automation conference (DAC). 1-6. IEEE. 2019.
32NVIDIA Corporation & affiliates. Solution Overview. NVIDIA DGX Platform The best of NVIDIA AI—all in one place [online]. U.S., California, March 2023 [viewed 20 September 2023]. Available from: https://resources.nvidia.com/en-us-dgx-platform/nvidia-dgx-platform-solution-overview-web-us
33ISO/IEC 10164-15:1995, Information technology — Open Systems Interconnection — Systems Management: Scheduling function
34Mirmahaleh Seyedeh Yasaman Hosseini et al., Data scheduling and placement in deep learning accelerator. Cluster Computing. 2021, 24(4), 3651-3669. doi:10.1007/s10586-021-03355-8
35Giorgi Roberto, Scionti Alberto, A scalable thread scheduling co-processor based on data-flow principles. Future Generation Computer Systems. 2015, 53, 100-108. doi:10.1016/j.future.2014.12.014
36Raveendran A. et al., RISC-V Half Precision Floating Point Instruction Set Extensions and Co-processor. International Symposium on VLSI Design and Test. 1066, 482-495. Springer. 2019.
37Rivas-Gomez S. et al., Exploring the vision processing unit as co-processor for inference. 2018 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW). 589-598. IEEE, 2018.
38Akgün G., Göhringer D., Power-Aware Real-Time Operating Systems on Reconfigurable Architectures. 2021 31st International Conference on Field-Programmable Logic and Applications (FPL). 402-403. IEEE, 2021.
39Poluri Pavan, Louri Ahmed, Shield: A reliable network-on-chip router architecture for chip multiprocessors. IEEE Transactions on Parallel and Distributed Systems. 2016, 27(10), 3058-3070. doi: 10.1109/TPDS.2016.2521641
40Hagiwara Kesami et al., A two-stage-pipeline CPU of SH-2 architecture implemented on FPGA and SoC for IoT, edge AI and robotic applications. 2018 IEEE symposium in low-power and high-speed chips (COOL CHIPS). 1-3. IEEE. 2018
41He K. et al., Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 770-778. IEEE. 2016.
42Yang Wangdong, Li Kenli, Li Keqin, A pipeline computing method of SpTV for three-order tensors on CPU and GPU. ACM Transactions on Knowledge Discovery from Data (TKDD). 2019, 13(6), 1-27. doi:10.1145/3363575
43Mohanty P.K. et al., Implementation of cubic spline interpolation on parallel skeleton using pipeline model on CPU-GPU cluster. 2016 IEEE 6th International Conference on Advanced Computing (IACC). 747-751. IEEE, 2016.
44Chrysogelos P. et al., HetExchange: Encapsulating heterogeneous CPU-GPU parallelism in JIT compiled engines. Proc. VLDB Endow. 12, 544-556. 2019.
45Li Zhifang, Peng Beicheng, Weng Chuliang, XeFlow: Streamlining Inter-Processor Pipeline Execution for the Discrete CPU-GPU Platform. IEEE Transactions on Computers. 2020, 69(6), 819-831. doi: 10.1109/TC.2020.2968302
46Xiang Y., Kim H., Pipelined data-parallel CPU/GPU scheduling for multi-DNN real-time inference. 2019 IEEE Real-Time Systems Symposium (RTSS). 392-405. IEEE, 2019
47Chen C.C., Yang C.L., Cheng H.Y., Efficient and robust parallel dnn training through model parallelism on multi-gpu platform. arXiv preprint. arXiv:1809.02839, 2018
48ISO/IEC 14543-2-1:2006, Information technology - Home electronic systems (HES) architecture — Part 2-1: Introduction and device modularity
49Martínez-Frutos Jesús, Martínez-Castejón Pedro J., Herrero-Pérez David, Efficient topology optimization using GPU computing with multilevel granularity. Advances in Engineering Software. 2017, 106, 47-62. doi:10.1016/j.advengsoft.2017.01.009
50Sotiropoulos Stefanos, Kazakis Georgios, Lagaros Nikos D., High performance topology optimization computing platform. Procedia Manufacturing 44, 441-448. 2020
51Mirmahaleh S.Y.H. et al., Flow mapping and data distribution on mesh-based deep learning accelerator. Proceedings of the 13th IEEE/ACM International Symposium on Networks-on-Chip. 1-8. 2019.
52Firuzan A. et al., Reconfigurable network-on-chip for 3D neural network accelerators. 2018 Twelfth IEEE/ACM International Symposium on Networks-on-Chip (NOCS). 1-8. IEEE. 2018.
53Zou Kaiwei et al., Learn-to-scale: Parallelizing deep learning inference on chip multiprocessor architecture. Design, Automation & Test in Europe Conference & Exhibition (DATE). 1172-1177. IEEE. 2019.
54Scionti Alberto, Mazumdar Somnath, Portero Antoni, Towards a scalable software defined network-on-chip for next generation cloud. Sensors. 2018, 18(7), 23-30. doi:10.3390/s18072330
55Tallent N.R. et al., Evaluating on-node gpu interconnects for deep learning workloads. International Workshop on Performance Modeling, Benchmarking and Simulation of High Performance Computer Systems. 8, 3-21. Springer. 2017.
56Gawande Nitin A. et al., Scaling deep learning workloads: Nvidia dgx-1/pascal and intel knights landing. Future Generation Computer Systems 108, 1162-1172. 2020.
57Zhao H. et al., HiveD: Sharing a GPU Cluster for Deep Learning with Guarantees. 14th USENIX Symposium on Operating Systems Design and Implementation (OSDI 20). 515-532. 2020.
58Luitjens J., CUDA Streams – Best practices and common pitfalls. GPU Technology Conference [online]. U.S., California, 26 March 2014 [viewed 20 September 2023]. Available from: https://on-demand.gputechconf.com/gtc/2014/presentations/S4158-cuda-streams-best-practices-common-pitfalls.pdf
59Zhang F. et al., FineStream: Fine-Grained Window-Based Stream Processing on CPU-GPU Integrated Architectures. 2020 USENIX Annual Technical Conference (USENIX ATC 20). 633-647. 2020.
60Wang L. et al., Blasx: A high performance level-3 blas library for heterogeneous multi-gpu computing. Proceedings of the 2016 International Conference on Supercomputing. 20, 1-11. 2016.
61Cheng J., Zhao K., Xu Y., Global-view based Task Migration for Deep Learning Processor. 2021 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking. 908-915. IEEE, 2021.
62Dhakal A., Kulkarni S.G., Ramakrishnan K.K., Machine learning at the edge: Efficient utilization of limited cpu/gpu resources by multiplexing. 2020 IEEE 28th International Conference on Network Protocols (ICNP). 1-6. IEEE. 2020.
63Mills Richard Tran et al., Toward performance-portable PETSc for GPU-based exascale systems. Parallel Computing. 2020, 108, 102831. doi:10.1016/j.parco.2021.102831
64ISO/IEC 15045-2, Information technology — Home Electronic System (HES) gateway — Part 2: Modularity and protocol
65ISO/IEC 18012-2, Information technology — Home Electronic System — Guidelines for product interoperability — Part 2: Taxonomy and application interoperability model
66ISO/IEC/IEEE 9945, Information technology — Portable Operating System Interface (POSIX®) Base Specifications, Issue 7
67ISO/IEC 23007-1, Information technology — Rich media user interfaces — Part 1: Widgets
68ISO/IEEE 11073-10422, Health informatics — Personal health device communication — Part 10422: Device specialization — Urine analyser
69IEC 80004-9, Nanotechnologies — Vocabulary — Part 9: Nano-enabled electrotechnical products and systems
70ISO/IEC 19944-1, Cloud computing and distributed platforms ─ Data flow, data categories and data use — Part 1: Fundamentals
71ISO/IEC 19505-1, Information technology — Object Management Group Unified Modeling Language (OMG UML) — Part 1: Infrastructure
72ISO 15531-1, Industrial automation systems and integration — Industrial manufacturing management data — Part 1: General overview
73Gholami Amir et al., A survey of quantization methods for efficient neural network inference. Low-Power Computer Vision. Chapman and Hall/CRC. 2022, 291-326. doi: 10.1201/9781003162810-13
74ISO 10795, Space systems — Programme management and quality — Vocabulary
75ISO 22166-1, Robotics — Modularity for service robots — Part 1: General requirements
76ISO 9000, Quality management systems — Fundamentals and vocabulary
77ISO/IEC 19763-5, Information technology — Metamodel framework for interoperability (MFI) — Part 5: Metamodel for process model registration
78ISO/TR 12773-2, Business requirements for health summary records — Part 2: Environmental scan
79ISO/IEEE 11073-20702, Health informatics — Point-of-care medical device communication — Part 20702: Medical devices communication profile for web services
80ISO 26000, Guidance on social responsibility
81ISO 19145:2013, Geographic information — Registry of representations of geographic point location
82ISO/IEC/IEEE 15939, Systems and software engineering — Measurement process
83ISO/IEC 24752-8, Information technology — User interfaces — Universal remote console — Part 8: User interface resource framework
84ISO/IEC/TR 30109, Information technology — User interfaces — Worldwide availability of personalized computer environments
85ISO 22902-1, Road vehicles — Automotive multimedia interface — Part 1: General technical overview
86ISO 27501, The human-centred organization — Guidance for managers
87ISO 13372, Condition monitoring and diagnostics of machines — Vocabulary
88Xu D., Xu M., Wang Q. et al., Mandheling: Mixed-precision on-device dnn training with dsp offloading. Proceedings of the 28th Annual International Conference on Mobile Computing And Networking. 214-227. 2022
89Micikevicius P., Narang S., Alben J., Diamos G., Elsen E., Garcia D., Wu, H. Mixed precision training. ICLR. 2018
90ISO/IEC 5212, Information technology — Data usage — Guidance for data usage
91ISO/IEC 11179-1, Information technology — Metadata registries (MDR) — Part 1: Framework
92ISO/IEC 11179-30, Information technology — Metadata registries (MDR) — Part 30: Basic attributes of metadata
93ISO/IEC 19763-1, Information technology — Metamodel framework for interoperability (MFI) — Part 1: Framework
94ISO/IEC 19763-3, Information technology — Metamodel framework for interoperability (MFI) — Part 3: Metamodel for ontology registration
95ISO/IEC 8183, Information technology — Artificial intelligence — Data life cycle framework
96ISO/IEC 5259-1:—, 1Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology, and examples
97Zheng C., Zong B., Cheng W., Song D., Ni J., Yu W, Wang W., Robust graph representation learning via neural sparsification. International Conference on Machine Learning. 11458-11468. PMLR. 2020
98Giladi R., Ahitav N., SPEC as a performance evaluation measure. Computer, 28(8), 33-42. 1995
99ISO/IEC 30134-2, Information technology — Data centres — Key performance indicators — Part 2: Power usage effectiveness (PUE)
100ISO/IEC/TS 4213, Information technology — Artificial intelligence — Assessment of machine learning classification performance
101IEEE 2937, Standard for Performance Benchmarking for Artificial Intelligence Server Systems
102ISO/IEC 16350, Information technology — Systems and software engineering — Application management
103ISO/IEC 30145-3, Information technology — Smart City ICT reference framework — Part 3: Smart city engineering framework

ISO PDF プレビュー