[自作日記8] 電源、SSD、ケースは?

[自作日記8] 電源、SSD、ケースは?

今日は電源、SSD、ケースの購入です!


Junです。
残りは電源とSSD、ケースをゲットすれば一通り揃いそうです。

また、置手紙をみてみます。

⑥ SSD は 1T以上。

⑦ 電源は 800W 以上、 80Plus Titanium

⑧ ケースはグラボがちゃんと入ることを確認すること!

SSDの選定

SSDは、1T以上ということで、 3万円の SAMSUNG 980 PRO 2T を購入。

電源の選定

電源装置は 800W 以上ということで 850W OWLTECH PC電源 850W /ATX /Titanium PRIMETX850S を 4.5万円で購入しました。

ケースの選定

さて、残るはケースです。

⑧ ケースはグラボがちゃんと入ることを確認すること!

この意味がよくわからなかったので、店員さんに相談することにしました。

今回は ATX サイズのケースを購入する予定ですが、 ATX サイズといっても色々な大きさがあり、グラボのサイズが大きい場合、最悪ケースにおさまらないことがあるそうです。

なるほど、てきとうにケースを選ぶと痛い目にあうということですね。

今回かったグラボ GeForce RTX 3090 Ti SUPRIM X 24G のサイズは巨大で 338 x 140 x 71 mm です。フルサイズの PCI Express ボードが 31 cmなので、このグラボはフルサイズ超えの34cm サイズです。

たしかに、この巨大グラボが格納できるケースは注意深く探す必要がありそうです。

そこでよさげなケースをみつけました。


Fractal Design Focus G White Window というケースです。

このケースは 38cm までの グラボをサポートしており、私の買った GeForce RTX 3090 Ti SUPRIM X 24G の34cm というサイズでも余裕を持って入りそうです。
ちなみに、 GeForce RTX 3090 Ti SUPRIM X 24G は厚みもすごく 4スロット分あります。

つまり、PCI Express 4スロット分を占有するので、占有された場所にあった PCI Express スロットは使用不能になります。
(4スロットも占有するデカいグラボは許せん!と思う方は、コラム:コンシューマ用GPUとプロ用GPUの違い で解説した、内排気型のグラボをご検討されるとよいかなとおもいます。ブロワーファン搭載内排気型グラボはハイエンドのもので専有面積が2スロット以下のものがおおいです。そのかわり高価です)

そうそう、Fractal Design Focus G White Windowは見た目もかっこよく、パーツの居住空間も確保されているだけでなく、6基のファンや水冷ラジエーター取り付けにも対応しており、それでいてなんと約1万円で入手できました!これは間違いなくいい買い物だとおもいました。

実はこのケースを選定した理由はもう1つあります。それは5インチベイがついていることです。なぜ5インチベイがついていることが重要かといいますと、3分後にわかります。


さて、これで一通り、揃いました!

合計でちょうど40.5万円! 半分はグラボの値段です!

さて、もう少し買い物をしようと思います。

え?もう40万円使ったじゃん?

とおもわれるかもしれませんが、そうなんです。会社が出してくれる費用はあと4.5万円あり、実はやりたいことがあり、もう少しだけ買い物をします。

やりたいことというのはデュアルブートです。

というのも、研究用のGPUマシンのOSは Linux (Ubuntu)なのですが、ドキュメンテーションなどでは、 Microsoft Office を使いたい私としてはウィンドウズも入れたいと思っており、このGPUマシンを AI研究+日常業務機としてもつかおうという野望があります。

そこで、あと1万円だけ使って、デュアルブート環境を整えたいとおもいます。
追加で以下を購入しました

実はさっきケースの選定で5インチベイがついている、というのが重要だったのおは、このリムーバルケースを入れたい為でした。

これで全部そろいました!


ついに Jun さんは、すべてのパーツを購入することができました。

SSDについて1つ補足しておきますと、
最近のマザーボードには M.2という小さなスロットがついています。過去PCの自作をしたことのある方なら SATA ケーブルをSSDに挿して使うということをやっていた方もいるかもしれませんが、最近は M.2 というスロットが主流です。それは以前のHDDのように記録媒体が大きくなく、マザーボードの表面に直接装備できるほどに小さくなったからです。


また M.2 には SATA 接続のものと MVNe 接続のものがあります。端子の形は M.2 ですが、 NVMe は通信速度が飛躍的に向上しており、今回 Jun が購入した SSD も NVMe 対応ですのでSATAとは比べ物にならないほど高速なアクセスをすることができます。このように SSD を M.2 NVMe にすることで小型かつ高速なストレージを追加することができますが、一般的に高額になります。


Junさんは、無邪気に2Tの M.2 NVMe を購入していましたが、コストが気になる場合は通常のSATA SSD を購入する手もあります。 Jun さんが追加購入された SSD は通常の SATA SSD 512GB ですが、こちらは5000円程度で購入できるものとなっており、もし速度を妥協できれば SATA SSD のみの構成にすれば数万円コストダウンすることも可能と思われます。

それでは、また、次回おあいしましょう!


navigation

Read more

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

こんにちは! 前回までの記事では、 * wav2vecを用いた音声特徴量抽出の仕組み(第1回)と、 * リップシンク制作における累積ドリフトの補正技術(第2回) について解説してきました。今回はいよいよ、これらの技術を統合して実際に音声から口の動きを生成する核心部分に踏み込みます。 本記事で扱うのは、wav2vecが抽出した768次元の音響特徴量を、26個の口形制御パラメータの時系列データに変換する学習プロセスです。これは単なる次元削減ではありません。音の物理的特性を表す高次元ベクトルから、人間の口の動きという全く異なるモダリティへの変換なのです。この変換を実現するには、音韻と視覚的な口形の間にある複雑な対応関係を、ニューラルネットワークに学習させる必要があります。 特に重要なのは、この対応関係が静的ではなく動的であるという点です。同じ音素でも前後の文脈によって口の形が変わり、さらに音が聞こえる前から口が動き始めるという時間的なズレも存在します。これらの複雑な現象をどのようにモデル化し、学習させるのか。本記事では、LSTMとTransformerという2つの強力なアプロー

By Qualiteg 研究部
AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

こんにちは!本日はAI時代のデータ漏洩防止について、とくにその通信技術面に焦点をあてつつ、AIセキュリティにどのように取り組んでいくべきか、解説いたします。 1. はじめに 生成AIの急速な普及により、企業のデータガバナンスは新たな局面を迎えています。ChatGPTやClaudeといった大規模言語モデル(LLM)は、業務効率を飛躍的に向上させる一方で、意図しない機密情報の漏洩という深刻なリスクをもたらしています。 従業員が何気なく入力した顧客情報や営業秘密が、AIサービスの学習データとして使用される可能性があることを、多くの組織はまだ十分に認識していません。従来のDLP(Data Loss Prevention)ソリューションは、メールやファイル転送を監視することには長けていましたが、リアルタイムで行われるWebベースのAIチャットやAIエージェントとの対話で発生しうる新しい脅威には対応できていないのが現状です。 本記事では、AI時代のデータ漏洩防止において中核となる技術、特にHTTPS通信のインターセプトとその限界について、技術的な観点から詳しく解説します。プロキシサーバー

By Qualiteg プロダクト開発部, Qualiteg コンサルティング
LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

こんにちは!これまでのLLM推論基盤プロビジョニング講座では、推論速度の定義、リクエスト数見積もり、メモリ消費量計算、推論エンジン選定について詳しく解説してきました。 今回は、残りのステップである「GPUノード構成見積もり」「負荷試験」「トレードオフ検討」について一気に解説し、最後に実際のサーバー構成例をご紹介します。 STEP5:GPUノード構成見積もり GPUメモリから考える同時リクエスト処理能力 LLMサービスを構築する際、どのGPUを何台選ぶかは非常に重要な決断です。今回はLlama 8Bモデルを例に、GPUメモリ容量と同時リクエスト処理能力の関係を見ていきましょう。 GPUメモリの使われ方を理解する ここは復習となりますが、 LLM推論においてGPUメモリは主に2つの用途で消費されます 1. モデル重みデータ: LLMモデル自体を格納するためのメモリ 2. KVキャッシュ: ユーザーとの対話コンテキストを保持するための一時メモリ Llama 8Bを16ビット精度で実行する場合、モデル重みデータは約16GBのメモリを占めます。これは固定的なメモリ消

By Qualiteg コンサルティング
発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

こんにちは! 前回の記事では、当社のMotionVoxで使用している「リップシンク」技術について、wav2vecを用いた音声特徴量抽出の仕組みを解説しました。音声から正確な口の動きを予測するための基礎技術について理解いただけたかと思います。 今回は、その続編として、リップシンク制作における重要な技術的課題である「累積ドリフト」に焦点を当てます。wav2vecで高精度な音素認識ができても、実際の動画制作では複数の音声セグメントを時系列に配置する際、わずかなタイミング誤差が蓄積して最終的に大きなずれとなる現象が発生します。 本記事では、この累積ドリフトのメカニズムと、機械学習を活用した最新の補正技術について、実際の測定データを交えながら詳しく解説していきます。前回のwav2vecによる特徴抽出と今回のドリフト補正技術を組み合わせることで、MotionVoxがどのように高品質なリップシンクを実現しているのか、その全体像が見えてくるはずです。 累積ドリフトとは何か 基本概念 累積ドリフトとは、個々の音声セグメントが持つ微小なタイミング誤差が、時間の経過とともに蓄積していく現象で

By Qualiteg 研究部