Suchen

Computer lernen mithilfe von Grafikprozessoren wie Menschen Nvidia GPUs beschleunigen „maschinelles Lernen“

| Redakteur: Ulrike Ostler

Adobe, Baidu, Netflix, Yandex – einige der größten Namen in den Bereichen Social Media und Cloud Computing nutzen Nvidia- Cuda-basierte GPU-Beschleuniger, um magische Suchen, intelligente Bildanalysen und personalisierte Film-Tipps abzuliefern. Die Grundlage: „Advanced Machine Learning“.

Firma zum Thema

Selbstlernende Maschinen erschließen neue kreative Möglichkeiten.
Selbstlernende Maschinen erschließen neue kreative Möglichkeiten.
(flickr/Nvidia Corporation)

Wenn Computer selbst lernen, einen Fuchs von Waschbären zu unterscheiden, ist das „maschinelles Lernen“. Rechnern wird durch Analysen beigebracht – etwa durch die Bildanalyse von Hunden, Frettchen, Schakalen, Waschbären und anderen Tieren – den Fuchs zu „erkennen“.

Besieht man die Sache genauer, dann ist maschinelles Lernen genau das, wonach es klingt: Computer werden darauf trainiert, sich selbst durch Datensichtung oder Bildanalyse beizubringen, Gegenstände zu differenzieren – ähnlich lernt auch der Mensch.

Riesige Datenmengen erfordern einen gewaltigen Aufwand

Letztlich werden die Computer dadurch zwar zu enorm leistungsfähigen Werkzeugen – doch der Aufwand ist gewaltig: Die Algorithmen sind so komplex und umfangreich, dass Tausende von CPU-basierten Servern benötigt werden, um die fast unglaublichen Datenmengen überhaupt verarbeiten und auswerten zu können.

Das ist bei genauer Betrachtung eine teure, unrealistische und unpraktische Angelegenheit, aber dennoch eine Aufgabe, für den die „TeslaGPU-Beschleuniger prädestiniert sind. Denn die Chips bieten die Kapazität und die Leistung, um Visual Computing-Probleme schnell und effizient zu bewältigen.

Ein Beispiel: Beschleunigung der Adobe-Bildanalyse

„Adobe Creative Cloud“ zum Beispiel ermöglicht es heute mehr als 1,8 Millionen Nutzern, auf die Adobe-Tools zuzugreifen – inklusive auf GPU-beschleunigte Anwendungen wie „Premiere Pro“, „After Effects“ oder auf den populären „Photoshop“ – und das praktisch von jedem beliebigen Ort der Welt aus. Zwischenzeitlich hat das Forschungs- und Entwicklungs-Team von Adobe seine Anstrengungen verstärkt, um mit Cuda-GPUs eine weitere Vertiefung der Lernfähigkeit bei Bildverarbeitungs-Tools zu erreichen.

Selbstlernende Maschinen lassen sich dafür einsetzen, neue kreative Möglichkeiten zu ergründen und zu realisieren, beispielsweise eine bestimmte Schriftart aus Bildern zu identifizieren. Sie kann aber auch dazu dienen, Bilder, die mit gewissen Gefühlen oder Stilelementen assoziiert werden, schnell zu finden.

David Howe, Leiter der Digital Imaging Engineering bei Adobe, sagt: „Unsere Idee in Richtung Creative Cloud war sozusagen ein Kick-Start – und damit begann eine neue Ära bei Adobe. Das GPU-beschleunigte maschinelle Lernen öffnet die Tür zu spannenden neuen Features und Funktionen, die den kreativen Prozess beschleunigen und hebt die Arbeit, die man macht, von der Masse ab“

Netflix, Baidu und Yandex

Andere Internet-Services unternehmen auf diesem Gebiet ähnliche Schritte:

  • Netfix beispielsweise testet die Empfehlungen, die von einem GPU-trainierten Netzwerk kommen und analysiert das Verhalten von 40 Millionen Nutzern von Streaming-Diensten. Das Ziel dabei ist es, genauere Information über den Nutzergeschmack für neue Filme zu erhalten, um diese Empfehlungen laufend zu verbessern.
  • Baidu, Chinas größtes Such- und Web-Service-Unternehmen, ist eines der ältesten und auch werbe-aggressivsten Unternehmen, die Produkte für maschinelles Lernen einsetzen. Die Produktpalette reicht dabei von Spracherkennung und Übersetzung, OCR (optische Zeichenerkennung) , Gesichts-und Objekterkennung , inhaltsbasierte Bildsuche bis hin zur Online-Anzeigen- Optimierung. Das Unternehmen benutzt Nvidia-GPUs , um seine riesigen neuronalen Netzwerke mit großen Datenmengen besser trainieren zu können – diese Datenmengen beinhalten zudem auch eine Menge an Benutzererfahrung.
  • Yandex, Russlands beliebteste Suchmaschine, war die erste, die Nvidia Tesla GPUs breitgefächert im Einsatz hatte, um die Qualität der Web-Ranking-Suchergebnisse zu verbessern und zu optimieren. Mit einem GPU-Beschleuniger ist das Unternehmen heute in der Lage, Ranking-Modelle 20 mal schneller zu trainieren als vergleichsweise mit CPUs, was für die 81 Millionen Anwender, die den Web-Service monatlich nutzen, ein Vorteil ist.

(ID:42617367)