Motivation
Wie erkennt ein autonom fahrendes Auto Fußgänger und andere Verkehrsteilnehmer? Wie funktioniert alltagstaugliche Spracherkennung? Wie erkennt die Internet-Suchmaschine Personen auf Fotos? Die Antwort lautet: mit Machine Learning Algorithmen. Kaum ein Fachgebiet hat sich in den letzten Jahren derart rasant und erfolgreich entwickelt wie das Maschinelle Lernen (ML). Obwohl viele der verfolgten Ansätze noch in den Anfängen stehen, ist der Einfluss diese Technologie auf den Alltag bereits deutlich spürbar. Trotz beeindruckender Fortschritte steht das Machine Learning gezwungenermaßen vor einem Paradigmenwechsel: der enorme Bedarf an Daten und Rechenleistung, der zur Berechnung aktueller Lernmodelle notwendig ist, steigt noch schneller als die Qualität der berechneten Lösungen. Dies führt schon heute dazu, dass der bisher übliche Einsatz von spezieller Hardware (Graphikprozessoren) zur Berechnung eines mittelgroßen Modells mehrere Tage benötigt. Eine weitere Steigerung der Leistung im ML geht einher mit größeren Modellen, die auf immer größeren Datenmengen mit immer tieferen und größeren Netzwerken berechnet werden. Solche verteilten Systeme sind hinlänglich aus dem Hoch- und Höchstleistungsrechnen bekannt.
Ziele und Vorgehen
Ziel dieses Vorhabens HP-DLF ist es, den Einstieg einer neuen, großen Benutzergruppe aus dem Bereich des Maschinellen Lernens ins HPC von Anfang an durch innovative Werkzeuge zu unterstützen. Dabei gilt es, die Komplexität der Hardware vor dem Nutzer zu verbergen und ihn zu einer maximal skalierbaren und energieeffizienten Lösung zu führen. Damit sollen nicht nur bestehende HPC-Methoden für die neuen Nutzer zugänglich gemacht werden, sondern umgekehrt sollen auch Erkenntnisse über die Systemanforderungen einer zukünftig wahrscheinlich sehr wichtigen HPC-Anwendung gewonnen werden. Das Vorhaben greift dabei auf Methoden aus Vorgängerprojekten zurück, deren Erfolg schon in vielen Anwendungen im HPC nachgewiesen wurde.
Innovationen und Perspektiven
Zur Demonstration der Projektergebnisse werden zwei Anwendungen betrachtet. Der eine Anwendungsbereich ist das autonome Fahren (Auswertung von Verkehrsszenen) und der andere betrifft die Medizin (Stereo-Videos von Operationen in der Leber). Dabei werden die meist nicht vorhandenen Trainingsdaten für das Maschinelle Lernen aus einer Mischung von realen Bildaufnahmen und im Computer erzeugten 3D-Szenen erstellt. Damit lassen sich auch Szenen erzeugen, z. B. „Kind läuft vor Auto“, für die es kein reales Bildmaterial gibt. Es ist geplant, die Ergebnisse für alle zukünftigen Projekte im Bereich Maschinelles Lernen nutzbar zu machen.