Neueste Fortschritte im Bereich Machine Learning: IBM Snap ML

Die große Verbreitung von Machine Learning und Künstlicher Intelligenz wird auch durch die zunehmende Verfügbarkeit von Daten getrieben. Große Datenmengen ermöglichen das Training von aussagekräftigeren Modellen und führen so zu besseren Erkenntnissen. Wenn jedoch die Größe solcher Datensätze auf Milliarden von Trainingsbeispielen und/oder -features ansteigt, wird das Training selbst relativ einfacher Modelle unerschwinglich. Diese lange Bearbeitungszeit (von der Datenaufbereitung bis zum Scoring) kann die Erforschung, Entwicklung und den Einsatz großer maschineller Lernmodelle für kritische Anwendungen wie Wettervorhersagen und die Erkennung von Finanzbetrug erheblich behindern. Die Effizienz, die Ergebnisse und die Erkenntnisse des Machine Learnings haben es für Unternehmen aller Größenordnungen unentbehrlich gemacht.

Effektivere Nutzung von Machine Learning

IBM hat deshalb auf der IBM Think eine neue Machine Learning (ML)-Bibliothek vorgestellt, die verfügbare Netzwerk-, Speicher- und heterogene Rechenressourcen für ML-Schulungsaufgaben effektiver nutzt. Hinter der KI-Software verbirgt sich eine neue Bibliothek, die in den letzten zwei Jahren um das Team von IBM Research in Zürich unter dem Namen IBM Snap Machine Learning (Snap ML) entwickelt wurde – weil sie Modelle schneller trainiert, als man mit den Fingern schnippen kann. Es basiert auf einem neuen Plattform-IBM Power Systems AC922 Server. IBMs AC922 verfügt über vier SXM2-verbundene NVIDIA Tesla V100 Grafikprozessoren, die über NVIDIAs neueste NVLINK 2.0 Schnittstelle an Dual-POWER9 Prozessoren angeschlossen sind.

Die Bibliothek bietet Hochgeschwindigkeitstraining von populären maschinellen Lernmodellen auf modernen CPU/GPU-Computersystemen und kann verwendet werden, um Modelle zu trainieren, neue und interessante Muster zu finden oder um bestehende Modelle mit Drahtgeschwindigkeit (so schnell wie das Netzwerk es unterstützen kann) umzuschulen, sobald neue Daten verfügbar werden. Das bedeutet weniger Rechenaufwand für den Anwender, weniger Energie, agilere Entwicklung und schnellere Ergebnisse.

Verbesserung der Machine Learning Trainingsalgorithmen

IBMs Snap ML ermöglicht eine effektivere Abbildung von ML-Trainingsalgorithmen auf die massiv parallele GPU-Mikroarchitektur sowie effizientere Skalierung von einem einzelnen Serverchassis zu einem Cluster von Servern. Darüber hinaus verspricht es Verbesserungen in der Speicherverwaltung durch Minimierung der Kommunikation zwischen heterogenen Verarbeitungsknoten (klassische Prozessoren und GPUs) mit einem dynamischen Speicher-Scheduler, der spekulativ Daten von Prozessor zu GPU-Speicher (und umgekehrt) verschiebt.

Durch die Integration der NVIDIA NVLink-Verbindungstechnologie wird eine wesentlich schnellere IBM POWER9 zu NVIDIA Tesla V100 Kommunikation gewährleistet, die derzeit in der IBM Power Systems AC922 ausgeliefert wird. Das Ergebnis sind Trainingsaufgaben, die nun in Sekundenschnelle und ohne Genauigkeitsverlust erledigt werden können. Dies ist möglich, weil Snap diese Aufgaben effizienter verteilt und beschleunigt. Snap beschleunigt viele Arten von logistischen und linearen Regressionsanalysen, einschließlich Deep Learning (DL)-Aufgaben.

Snap ML verwaltet sorgfältig den Datenverkehr zwischen Prozessoren und Grafikprozessoren. Die Datenübertragungsgeschwindigkeit mit NVLink ist dabei fast sechsmal höher. Das Ergebnis ist eine 3,5-fache Beschleunigung der tatsächlichen, gemessenen Trainingszeit mit dem Power Systems AC922, Server zu Server, mit nur einer GPU pro System.

IBM Watson Services für Core ML

Zudem kündigten IBM und Apple auf der diesjährigen Think IBM Watson Services für Core ML an. Diese neueste Phase der fast vier Jahre alten Apple/IBM-Partnerschaft gibt Apple iOS-Softwareentwicklern Zugang zu IBMs führenden KI- und ML-Entwicklungsumgebungen und Cloud-Training-Support. Es erweitert die Reichweite von IBM Watson auf die Ausführung von ML-Inferenz-Tasks auf Apples sehr erfolgreiches Endgeräte-Ökosystem. Das Training von ML-Modellen führt schneller zu aktuelleren Modellen für die Inferenzierung von Edge-Geräten, wie zum Beispiel iOS-basierten Smartphones.

IBM Snap ML von IBM Research wird den Kunden noch in diesem Jahr als Teil des PowerAI Tech Preview-Portfolios zur Verfügung stehen. Hier erfahren Sie weitere Details über IBMs aktuelle Fortschritte im Bereich Machine Learning und IBM Snap ML.

One comment

Kommentare sind sehr willkommen

This site uses Akismet to reduce spam. Learn how your comment data is processed.