Anspruchsvolle KI-Lösungen brauchen optimierte Architektur für Deep Learning

Anspruchsvolle KI-Lösungen brauchen enorme Rechenleistungen, beispielsweise in der Verarbeitung von Bildern im medizinischen Bereich. Umso bemerkenswerter ist der Durchbruch, den IBM gerade im Bereich Deep Learning verkündet hat. Die Rechenleistung von 64 mit 256 NVIDIA GPUs ausgestatteten IBM Power System Servern wurde dabei server-übergreifend genutzt. Die neue IBM Software erreichte so 95 Prozent Skalierungseffizienz mit dem Caffe Deep Learning Framework und übertrumpfte damit den Rekord von 89 % Prozent der Facebook’s AI Forschungsgruppe. Auch die Zeit, das Modell zu trainieren, wurde im Vergleich zu Facebook reduziert (50 Minute versus eine Stunde).

In der Bilderkennung hat IBM Research auf Basis der Power AI-Architektur eine deutlich höhere Genauigkeit von 33.8% in einem neuralen Netzwerk erreicht, das auf 7.5 Millionen Bilder trainiert wurde. Der zuletzt publizierte Rekord von Microsoft erreichte 29.8% Genauigkeit. Eine technische Preview des IBM Research Distributed Deep Learning Codes für TensorFlow und Caffe ist hier zum Testen verfügbar.

hero_55462c4a-dd4c-4d67-ba05-643f030d51b6

Deep Learning ist eine breit genutzte Methode der künstlichen Intelligenz, die Computern dabei hilft, insbesondere Bilder und Töne besser zu verstehen und Bedeutungen herauszulesen. Der neue Algorithmus soll, so IBM Research, die Trainingszeiten für Deep Learning deutlich reduzieren, um so Modelle beispielsweise für mobile Apps, die Diagnose medizinischer Bilder oder auch für Spracherkennung deutlich schneller zu erstellen.

Die IBM Power Server haben schon lange Geschwindigkeitsvorteile gegenüber „Industriestandard“ Intel x86 Servern, die verbreitet in Public Clouds verwendet werden. Constellation Vice President und Principal Analyst Doug Henschen macht auf die Herausforderung aufmerksam: „Das Wettrennen läuft, graphische Prozessoreinheiten in Einsatz zu bringen, und in der Tat wird der Flaschenhals an der Schnittstelle zwischen konventioneller Software und Systemen mit diesen weitaus mächtigeren Prozessoren liegen. IBM’s Antwort ist PowerAI und das Erreichen höherer Effizienz ist wichtig und lobenswert.“ Forscher auf dem Gebiet der künstlichen Intelligenz, die die beschriebenen entsprechenden Vorteile nutzen wollen, können ihre Deep Learning-Experimente dafür in der IBM Cloud durchführen oder in IBM Power-Systeme für die eigenen Rechenzentren investieren.

(Stefan Pfeiffer)

 

Kommentar verfassen