Der Weg zur tieferen Erkenntnis
Industrie-PCs mit Intel Prozessoren für Machine Learning
Bereits 2011 schuf Google X Labs das Netzwerk Google Brain aus 1.000 Computern, das wie ein Kleinkind Informationen aller Art in sich aufsaugen sollte. Gefüttert wurde es mit gut zehn Millionen Standbildern aus YouTube-Filmen. Nachdem Google Brain drei Tage lang in den Bildern nach wiederkehrenden Mustern gesucht hatte, entschied es, die Bilderflut in eine Anzahl von Kategorien einzuteilen: menschliche Gesichter, menschliche Körper und Katzen.
Bild: Pyramid Computer GmbHNun ist es im Alltag eher nicht üblich, dass man ein Netzwerk aus 1.000 Computern verfügbar hat. Daher forschten die Hersteller in den vergangenen Jahren daran, den Prozess für größere und vor allem billigere Deep-Learning-Netzwerke zu vereinfachen und griffen auf ultraschnelle Prozessoren von Grafikkarten (GPUs) zurück. So konnte relativ einfach ein Netz aus 11Mrd. Verknüpfungen aufgebaut werden. Intel hat in den letzten Jahren genau an der Optimierung seiner Prozessoren für diese Anwendungen gearbeitet.
Von Machine zu Deep Learning
Bisher müssen Anwender den Computersystemen mit konventionellen Programmen beibringen, wie eine Tätigkeit auszuführen ist. Also (a) was soll der Computer (b) wann und (c) in welchen Schritten tun. Deep Learning ändert dieses Modell komplett. Mit Machine Learning bringen wir dem System bei, wie es eigenständig lernt, etwas zu tun. Gerade in komplexen Systemen hat sich aber gezeigt, dass Computer oft einen einfacheren Weg zur Lösung finden, als wir Menschen. Um auf die Katzen zurück zu kommen: Die Fähigkeit, auf Bildern eigenständig Katzen zu erkennen, zeigte, dass ein solches System zum so genannten unüberwachten Lernen (Deep Learing) taugt, also bei der die Programme ohne jegliche Zusatzinformation in Form von Namen, Überschriften oder Kategorien auskommen müssen. Unter Verwendung neuronaler Netzwerke versetzt sich die Maschine selbst in die Lage Strukturen zu erkennen, das Erkannte zu evaluieren und sich in mehreren, vorwärts wie rückwärts gerichteten, Durchläufen selbst zu verbessern. In der Elektronikbranche lassen sich dank Deep Learning Prüfprozesse weiter automatisieren und beschleunigen, indem alle denkbaren Produktfehler durch selbstlernende Verfahren angelernt und erkannt werden können. Kleinste Kratzer oder Risse in Leiterplatten, Halbleitern und anderen Bauteilen können so zuverlässig gefunden und fehlerhafte Teile automatisch aussortiert werden. Auch im Automobilbau werden die Verfahren bereits erfolgreich eingesetzt, z.B. um winzige Lackschäden mithilfe selbstlernender Algorithmen zuverlässig zu identifizieren.
Neuronale Vernetzung sensorischer Signale
Beim Menschen sind viele Milliarden Neuronen synaptisch verschaltet. Dies ist charakterisiert durch Parallelität, andererseits durch datenreduzierende Bündelung. Eine gesamtheitliche Weiterleitung an zentrale Regionen des Gehirns würde seine Überforderung bedeuten. Zu ihrer Vermeidung hat die Evolution Mechanismen der Bündelung, Konzentrierung, Filterung und Verkopplung entwickelt, weshalb wir nur drei Prozent der Realität überhaupt wahrnehmen können. Neuronale Vernetzung führt hier also zur Reduktion der Datenmenge. Wir Menschen nehmen unsere Umwelt also relativ einfach wahr. Denn bereits in jungen Jahren lernt unser Gehirn die wichtigsten Grundinformationen wie Identifikation der Merkmale, Hindernissvermeidung, Koordination und Tiefenwahrnehmung aus haptischen und visuellen Reizen. Bei Computern versuchen Hersteller derzeit mit hochperformanten Prozessoren, 3D-Kamerasystemen und diversen Sensoren das Gleiche zu tun. Nur dass hier die CPU die Funktion des Gehirns übernimmt. Hunderte von Sensoren liefern, über diverse Schnittstellen, umfangreiche Datenmengen im Gigabit-Bereich, die weit über die drei Prozent Wahrnehmungsgrenze des Menschen hinausgehen. In der Bildverarbeitung werden derzeit tausende von Gut- und Schlecht-Bildern antrainiert. Die PC-Systeme sollen dann, auf Grundlage der angelernten Erfahrungen, die Prüfobjekte automatisch den entsprechenden Kategorien zuordnen und über die Qualität der inspizierten Teile entscheiden, also die Prüfergebnisse mit erlerntem Wissen abgleichen und eigenständig eine Entscheidung treffen. Den Trick, den unser Gehirn zur besseren Verarbeitung der Daten anwendet, die Reduktion auf die (erfahrungsgemäß) relevanten Daten, darf es hier jedoch nicht geben. Denn gerade bei autonomen Fahrzeugen oder einer personalisierten Medizin dürfen keinerlei Fehler auftreten.
Hochperformante IPC-Systeme
"Auf Grund der hohen Anforderungen kommt es auf die perfekte Abstimmung der Komponenten aufeinander an. Daher stellen wir für unsere Kunden individuell, für jeden Einsatzbereich der industriellen Bildverarbeitung und Machine Learning, modulare und skalierbare Systemlösungen maßgeschneidert her. Denn maschinelles Lernen erfordert sowohl enorme Rechenfähigkeiten, welche die Zeit für das Training reduzieren, als auch Software-Frameworks, die Software-Entwicklern in jeder Branche die Möglichkeiten des maschinellen Lernens eröffnen. Aus diesem Grund werden auf unseren CamCube-Systemen ausschließlich Intel Prozessoren der aktuellsten Generation sowie Windows 10 IoT eingesetzt.", so Sebastian Wagner von Pyramid Computer GmbH. Windows 10 IoT Core unterstützt diesen Ansatz mit zwei Angeboten: Microsoft Cognitive Services und OpenCV. Intel bietet auf der Softwareseite bereits Zugriff auf Machine Learning-Funktionen für Intel Xeon-Prozessoren mit Tools wie der Intel Math Kernel Library (Intel MKL) und der Intel Data Analytics Acceleration Library (Intel DAAL). Beide Bibliotheken wurden so optimiert, um eine bis zu 30x höhere Leistung in Deep-Learning-Anwendungen zu erreichen.
Bereits 2011 schuf Google X Labs das Netzwerk Google Brain aus 1.000 Computern, das wie ein Kleinkind Informationen aller Art in sich aufsaugen sollte. Gefüttert wurde es mit gut zehn Millionen Standbildern aus YouTube-Filmen. Nachdem Google Brain drei Tage lang in den Bildern nach wiederkehrenden Mustern gesucht hatte, entschied es, die Bilderflut in eine Anzahl von Kategorien einzuteilen: menschliche Gesichter, menschliche Körper und Katzen.
Bild: Pyramid Computer GmbHNun ist es im Alltag eher nicht üblich, dass man ein Netzwerk aus 1.000 Computern verfügbar hat. Daher forschten die Hersteller in den vergangenen Jahren daran, den Prozess für größere und vor allem billigere Deep-Learning-Netzwerke zu vereinfachen und griffen auf ultraschnelle Prozessoren von Grafikkarten (GPUs) zurück. So konnte relativ einfach ein Netz aus 11Mrd. Verknüpfungen aufgebaut werden. Intel hat in den letzten Jahren genau an der Optimierung seiner Prozessoren für diese Anwendungen gearbeitet.
Pyramid Computer GmbH
Dieser Artikel erschien in inVISION 3 2018 - 05.06.18.Für weitere Artikel besuchen Sie www.invision-news.de
