Aaron Blakeman

Aaron Blakeman 是 NVIDIA AIData-Infra 优化团队的高级系统软件工程师。他专注于 AI 软件弹性。加入 NVIDIA 之前,他曾在英特尔、微软、VMware 和美国国防部担任工程师,负责高性能计算、分布式系统、数据库、性能和开源软件方面的工作。他拥有科罗拉多州立大学的计算机科学硕士学位。

Posts by Aaron Blakeman

数据中心/云端

借助 NVIDIA 身份识别诊断分布式 AI 工作负载故障

在分布式 AI 工作负载中,一个错误就会产生一系列症状。GPU 或网络事件可能会随着其他 rank 上的 NCCL 错误、 3 MIN READ