来源：CPDA数据分析师网 / 作者：数据君 /
在人工智能的初期我们几乎达到了我们当前的架构范例Exascale的顶峰
研究人员发现科学工作负载的要求越来越高，并且随着我们向前发展，这些工作负载的增长似乎只是在增长，为了满足未来应用程序所需的计算能力规模，研究人员正在寻求全新的系统设计，输入分类架构，如果我们能够使系统架构师将内存与处理器和加速器分离，并允许灵活的节点设计创建动态重新架构整个机架或整个机架行的能力，而无需满足当前工作负载的需求，该怎么办？担心产生瓶颈？在当前的技术机制下，这在物理上是不可能的–挑战始终是，当您分解资源时，延迟和带宽需求将急剧增加，更快的互连，特别是封装内的光学互连，对于改进和创新这种下一代架构方法至关重要，研究人员现在正在对其进行试验。
研究人员已开始尝试使用可在生产环境中进行灵活节点设计的分类体系结构
诸如“封装内光学I / O是否可以提供物理层互连，以允许各种协议覆盖其上以支持异构连接性？”之类的问题，正在使用全球500强企业的高级系统进行测试。系统设计正在被抽样并经过试验，使研究人员能够检查新架构并观察和分析它们如何与不同的应用程序交互。这些实验进展如何？他们发现什么好处？他们遇到什么弊端？
CPDA数据分析师
集中在分类架构的状态，包括当前的挑战
设计系统的新方法以及使它们能够广泛使用所需的技术。这将包括关于新兴的光学I / O技术如何以巨大的带宽和低延迟支持异构连接的讨论，以及这种方法的设计结果，不要错过这个机会，从人们那里听到新兴HPC架构和支持其发展的技术的前沿。
数据科学的协作，可能的答案和道德规范
数据科学家如何与数据工程师合作，为何数据科学无法提供明确答案以及建立道德准则，帮助数据科学家和数据工程师一起工作的想法，为什么数据科学用概率而不是单个具体数字来回答问题，机器学习错误，销售应用程序，用于监控的物联网，避免机器学习问题，使用ML帮助销售，并使用IoT进行机器监控，对实施机器学习的兴奋会导致不切实际的期望，将机器学习应用于销售流程的策略。
