Künstliche Intelligenz: Fujitsu schafft Durchbruch bei Deep Learning

23. Mai 2017

Auf einen Blick:

• Die Fujitsu Laboratories of Europe haben eine kosten- und speichereffiziente sowie skalierbare Deep-Learning-Technologie für leistungsfähige Künstliche Intelligenz (KI)-Anwendungen entwickelt. Diese überwindet damit die Beschränkungen der aktuellen GPU-Kapazitäten.
• Als elementarer Bestandteil der Zinrai KI-Technologie, die den Menschen in den Mittelpunkt stellt, ermöglicht die Lösung bestehende, herkömmliche IT-Infrastrukturen den Einsatz Künstlicher Intelligenz – ganz ohne weitere Investitionen.
• Die Lösung beinhaltet einen innovativen Modell-Parallelisierungs-Mechanismus zum optimierten und automatisierten Verteilen der Daten in neuronalen Netzen laut Tests mit einem 90-prozentigen Effizienzgrad.
• Sie bietet eine höhere Auflösung zur Erkennung besonders kleiner Elemente, erlaubt damit differenziertere Klassifizierungs-Kategorien und verfügt über ein enormes Potenzial, den Alltag zu erleichtern.
• Die Technologie ist erstmals beim Fujitsu Innovation Gathering 2017 in Berlin am 23. Mai 2017 zu erleben. 
  

Fujitsu hat einen Durchbruch in punkto Deep-Learning-Technologie geschafft. Das Unternehmen präsentiert einen neuartigen, hocheffizienten Datenverteilungsmechanismus für Deep Neuronal Networks (DNNs). Gerade wenn solche Netzwerke stark für verschiedene KI-Anwendungen genutzt werden, wie zum Beispiel Sprach- und Objekterkennung bzw. –klassifizierung, haben sie einen enormen Ressourcenbedarf und belasten die Infrastruktur. Die neue Lösung aus den Fujitsu Laboratories of Europe nutzt Modell-Parallelisierung zur automatischen, transparenten und leicht zu verwaltenden Verteilung der DNN-Speicheranforderungen. Im Ergebnis kann die Kapazität bestehender Infrastrukturen so ausgeweitet werden, dass auch größere KI-Anwendungen keine nennenswerten zusätzlichen Investitionen erfordern.

Dazu Dr. Tsuneo Nakata, CEO der Fujitsu Laboratories of Europe: „In den vergangenen Jahren hat sich die Technologie in rasant weiterentwickelt. Die entsprechenden Lösungen beinhalteten zumeist Hardware-Beschleuniger, um den enormen Kapazitätsbedarfs beim Aufbau von DNNs für KI-Anwendungen zu unterstützen. Dabei stellten vor allem die Kosten ein ernstes Problem dar, besonders wenn der Speicher eines einzelnen Beschleunigers nicht ausreichte. Benötigt wurden also vor allem größere DNNs, genauso wie eine differenziertere Klassifizierung der entsprechenden Kategorien. Genau dieses Problem geht unsere neue Lösung frontal an. Sie verteilt die Speicheranforderungen auf verschiedene Maschinen. So können die Netze über mehrere Maschinen erweitert werden, was genauere und leistungsfähigere DNN–Modelle ermöglicht.“

Die Lösung kann diesen Prozess initiieren, indem sie die Layer willkürlich designter neuronaler Netze in gleichwertige Netzwerke transformiert, Netzwerke, in denen jede Ebene durch eine Reihe kleinerer Unterebenenteile ersetzt wird. Diese sind funktional absolut adäquat zu den ursprünglichen, größeren Ebenen, aber deutlich effizienter auszuführen. Und da beide vom selben Profil abstammen, konvergiert der Trainingsprozess des DNN und es entstehenkeine zusätzlichen Kosten.

Die Fujitsu Laboratories of Europe haben die neue Technologie ausgiebig geprüft und bewertet, einschließlich eines Versuchs mit Caffe, einem Open Source Deep Learning Framework, das von vielen Entwickler-Netzwerken überall auf der Welt genutzt wird. Dabei zeigte die Lösung eine über 90-prozentige Effizienz hinsichtlich der Verteilung von Speicherplatz bei der Transformation der voll verbundenen Ebenen von AlexNet auf mehrere NVIDIA GPUs. Als hardwareunabhängige Technologie kann sie sowohl konventionelle IT-Installationen als auch zeitgemäße Beschleuniger einschließlich NVIDIA GPUs, Intel Xenon Phi, FPGAs oder ASICs zu Bestleistungen animieren. Alle anderen Hardware Chips, die speziell für die erhöhte Rechnereffizienz beim Deep Learning entwickelt wurden, gehören ebenfalls in diese Aufzählung.

Beispielhafte Anwendungen für die neue Lösung bestehen unter anderem in Analysen im Gesundheitswesen – wie etwa Retinopathie-Erkennung bei Diabetikern. Aber auch die Klassifizierung und Analyse von Satellitenbildern, das Natural Language Processing, bei dem Deep-Learning-Modelle die Komplexität der menschlichen Sprache erfassen müssen, die Arbeit mit großen Graph-basierten Datenmengen, wie im Fall von IoT-Geräten, sowie finanzielle Transaktionen und Social Network Services gehören dazu.

Die Fujitsu Laboratories of Europe sind ein echtes Kompetenzzentrum für die Forschung von Fujitsu in punkto Deep Learning und Machine Learning als Bestandteile digitaler Lösungen und Services. Die gesamte Arbeit geschieht unter dem thematischen Dach der KI-Initiative Zinrai von Fujitsu, die den Menschen in den Mittelpunkt stellt. Sämtliche Aktivitäten beinhalten eine breit gefächerte Zusammenarbeit und „Co-Creation“ mit Kunden und unabhängigen Forschungseinrichtungen im EMEIA-Raum. Dazu gehören etwa das San Carlos Clinical Hospital in Madrid (mit der HIKARI AI Healthcare Solution), die Universität von Sevilla (Datenanalyse für Anwendungen im Tourismus) sowie das 5G Innovation Centre in Großbritannien. 

Weitere Informationen zum World Tour Stopp in Berlin am 23. Mai 2017 erhalten Sie über:

• www.fujitsu-worldtour.de