データ、モデル、コンピューティングは、機械学習による現実世界の問題を解決するために必要な 3 つの柱です。これらの 3 つの領域で進歩を遂げるには、破壊的なアルゴリズムの進歩だけでなく、最新のハードウェアをさらに効率化するシステムの革新も必要です。現在、学習システムはすべてのインテリジェント アプリケーションの鍵となっていますが、アプリケーションやハードウェアの特殊化が求められることで、システムのエンジニアリングに大きな負担がかかります。それらのほとんどは経験則、つまり手動で最適化することに頼るしかありません。このセッションでは、機械学習を使用してシステムの最適化を自動化する新しいアプローチを紹介します。深層学習の運用課題という観点から、ザイリンクスのアプローチを説明します。まず、移転可能な統計的コスト モデルにつながる不変表現を設計する方法を説明し、これらの表現を適用して、深層学習アプリケーションで使用されるテンソル プログラムを最適化します。次に、多様なハードウェア バックエンドを可能にするために適用したシステムの改善について説明します。ザイリンクスのエンドツーエンドシステムである TVM は、ハードウェア バックエンド全体に優れた性能を提供します。これは手動調整された最先端の深層学習フレームワークに匹敵します。最後に、モデル、システム、ハードウェアをフルスタックで最適化するアプローチを一般化する方法、およびインテリジェント アプリケーションの継続的な進化をサポートするシステムの構築方法について説明します。