1. News
  2. Industry News
  3. Fujitsu nutzt Deep-Learning-Technologie für neue KI-Anwendun…

Fujitsu nutzt Deep-Learning-Technologie für neue KI-Anwendungen

Fujitsu hat auf dem Fujitsu Innovation Gathering 2017 in Berlin erstmals in Europa innovative Lösungen auf der Basis von Künstlicher Intelligenz für verschiedene Anwendungsfelder präsentiert.

Das „Fujitsu Innovation Gathering“ findet derzeit im Rahmen der Fujitsu World Tour 2017 in 27 Städten auf sechs Kontinenten statt. In diesem Jahr steht die Veranstaltung unter dem Motto „Digital Co-Creation“, was die Digitalisierung der Zusammenarbeit mit Kunden und Partnern beinhaltet – die Voraussetzung für die digitale Transformation. Auf dem Innovation Gathering in Berlin am 23. Mai präsentierte Fujitsu erstmals in Europa zwei neue Lösungen, die von den Fujitsu Laboratories of Europe auf Basis Künstlicher Intelligenz für die Human-Centric-Initiative „Zinrai“ entwickelt wurden.

Künstliche Intelligenz in herkömmliche IT-Infrastrukturen bringen

Mit der ersten Lösung ist den Fujitsu Laboratories of Europe ein Durchbruch bei der speichereffizienten Deep-Learning-Technologie für leistungsfähige Künstliche-Intelligenz-Anwendungen gelungen, denn mit ihr lassen sich die Beschränkungen der aktuellen GPU-Kapazitäten überwinden. Insbesondere Deep Neuronal Networks (DNNs) werden für verschiedene KI-Anwendungen genutzt, wie zum Beispiel Sprach- und Objekterkennung sowie Objektklassifizierung, und belasten durch ihren hohen Ressourcenbedarf die Infrastruktur. Die neue Lösung auf Basis der Zinrai-KI-Plattform nutzt dabei einen innovativen Modell-Parallelisierung-Mechanismus zur automatischen, transparenten und leicht zu verwaltenden Verteilung der DNN-Speicheranforderungen. Im Ergebnis kann die Kapazität bestehender Infrastrukturen so ausgeweitet werden, dass auch für größere KI-Anwendungen keine zusätzlichen Investitionen nötig sind.

„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“, erklärt Dr. Tsuneo Nakata, CEO der Fujitsu Laboratories of Europe. „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.“

90-prozentige Effizienz bei der Verteilung von Speicherplatz

Die neue Lösung soll diesen Prozess initiieren, indem sie die Layer willkürlich designter neuronaler Netze in gleichwertige Netzwerke transformiert, 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. Da beide Netzwerke vom demselben Profil abstammen, wird der Trainingsprozess des DNN konvergiert. Ausführliche Tests der Fujitsu Laboratories of Europe ergaben eine über 90-prozentige Effizienz bei der Verteilung von Speicherplatz und der Transformation der voll verbundenen Ebenen von AlexNet auf mehrere Nvidia-GPUs. Die Technologie soll daher sowohl in konventionelle IT-Installationen als auch als Beschleuniger einschließlich Nvidia-GPUs, Intel Xenon Phi, FPGAs und ASICs Bestleistungen ermöglichen.

Die neue Lösung kann beispielsweise Analysen im Gesundheitswesen unterstützen, wie etwa die Retinopathie-Erkennung bei Diabetikern. Zu den weiteren Anwendungsfelder gehören die Klassifizierung und Analyse von Satellitenbildern, das Natural Language Processing, bei dem Deep-Learning-Modelle die Komplexität der menschlichen Sprache erfassen, die Arbeit mit großen Graph-basierten Datenmengen sowie finanzielle Transaktionen und Social Network Services.

Smart-Energy-Lösung für effiziente Stromnetze

Die zweite Lösung im Bereich Smart Energy besteht aus einer KI-gestützten Plattform, die die Effizienz von Stromnetzen erheblich verbessern soll. Hierbei werden Analysefähigkeiten mit einer integrierten Plattform kombiniert, die Daten von Sensoren und anderen Quellen in einem Energienetz sammelt und analysiert. Die Lösung basiert auf den Entwicklungen der Fujitsu Laboratories of Europe für das Projekt Horizon 2020 SmarterEMC2 der Europäischen Union. Ein erstes Anwendungsbeispiel zeigt, wie sich mithilfe der Analysetechnologie ein Spitzenlast-Ausgleich zwischen Stromlieferanten beziehungsweise virtuellen Kraftwerksbetreibern in Wohngebieten effizient umsetzen lässt. Dies soll eine Überlastung des Stromnetzes verhindern und somit eine durchgängige Energieversorgung sicherstellen.

Autor: Stefan Girschner