„Das DFKI ist nicht nur eines der national und international größten Institute im Bereich der angewandten KI-Forschung, es ist auch eines der renommiertesten. Der Erfolg des DFKI resultiert nicht nur aus der hervorragenden Arbeit der Mitarbeiterinnen und Mitarbeiter, sondern es bedarf auch entsprechender Rahmenbedingungen, die eine solche Leistung ermöglichen. Hierzu zählt eine leistungsstarke, moderne Recheninfrastruktur zu der das Land heute mit diesem Förderbescheid über 760.000 Euro sehr gerne beiträgt. Ich bin mir sicher, dass diese Mittel einen wertvollen Beitrag zur Sicherung der Innovations- und Wettbewerbsfähigkeit des Instituts leisten werden und das DFKI auch weiterhin als ein zentrales Juwel der rheinland-pfälzischen Forschungslandschaft glänzen wird“, sagte Staatssekretär Denis Alt bei der Übergabe des Förderbescheids in Kaiserslautern.
Prof. Dr. Andreas Dengel: „Eine hochleistungsfähige Infrastruktur ist die Basis um in der KI-Forschung international wettbewerbsfähig zu sein und modernste KI-Technologien für den praktischen Einsatz in der Industrie verfügbar zu machen. Die Beispiele aus unseren zahlreichen Kooperationen zeigen, wie diese nicht nur das Maschinelle Lernen, sondern auch den den Transfer in die Wirtschaft beschleunigt. Mit dem Ausbau des Deep Learning-Rechenzentrums durch GPU Plus wird die KI-Forschung zu lernenden Systemen und deren Erklärbarkeit weiter vorangetrieben und die Rolle des DFKI als führendes Transferinstitut gestärkt“.
Warum Deep Learning Technologien?
Deep Learning Technologien erweisen sich zunehmend in unterschiedlichsten Anwendungsbereichen, wie beispielsweise der Erdbeobachtung, der Medizin oder der Landwirtschaft, als unabdingbar, um die zunehmende Komplexität der Daten und der enorm gestiegenen Parameterzahl (von Millionen zu Milliarden) bewältigen zu können. Dieser Trend wird insbesondere durch immer leistungsstärkere und flexiblere Modelle und immer leistungsstärkere Rechner vorangetrieben. Um die immer komplexeren Modelle weiterhin effektiv trainieren zu können, werden zunehmend wachsende Daten-
sätze und mehr Trainingsläufe benötigt. Das lässt sich mit der am DFKI derzeit verfügbaren Rechenkapazität nur teilweise kompensieren. Die ausgebaute DL-Infrastruktur wird es dem DFKI ermöglichen, in kürzerer Zeit Modelle zu trainieren, einen höheren Durchsatz unabhängiger Trainingsläufe zu realisieren und Hypothesen schneller verifizieren zu können. Durch den Ausbau der vorhandenen GPU -Infrastruktur am DFKI wird erreicht, dass der technologische Vorsprung, der derzeit am Institut im nationalen und internationalen Vergleich besteht, gehalten und eventuell noch ausgebaut werden kann.
GPU-Rechner sind die Basis für Neuronale Netze und Deep Learning. Mit einer modernen GPGPU (General Purpose Graphics Processing Unit) lässt sich die Rechenleistung von Computern in immensem Umfang steigern - systemabhängig bis zum Superrechner. Deep Learning (DL) ist eine spezielle Methode der Informationsverarbeitung und lässt sich in das Forschungsfeld des maschinellen Lernens (ML) einordnen. Um die Funktionsweise des menschlichen Gehirns zu imitieren, finden zudem neuronale Netze Anwendung. Für das Training dieser künstlichen Intelligenz werden vor allem große Datenmengen benötigt und analysiert. Um einen tiefgreifenden Lerneffekt zu erzeugen, orientieren sich die Entwickler an der Funktionsweise des menschlichen Gehirns. Dementsprechend kann das System auf die bereits vorhandenen Informationen sowie das neuronale Netzwerk zurückgreifen. Durch diesen Ansatz lassen sich bereits erlernte Fähigkeiten mit neuen Inhalten anreichern und verknüpfen. Insgesamt lässt sich hierdurch ein tiefgreifender und langfristiger Lernprozess abbilden. Die technische Grundlage sind die künstlichen neuronalen Netzwerke, die während des Lernvorgangs kontinuierlich neu verknüpft werden. Durch DL kann die Maschine eigene Entscheidungen treffen. Zudem ist das System in der Lage, eigene Prognosen zu erstellen und getroffene Entscheidungen zu hinterfragen. Bereits getroffene Entscheidungen werden im Zuge einer erneuten Überprüfung bestätigt oder geändert. Eine Besonderheit des DL ist, dass DL-Modelle in der Lage sind, von sich aus zu lernen. Das passiert, in dem die Systeme das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Beim eigentlichen Lernvorgang greift der Mensch nicht mehr ein, das Analysieren wird der Maschine überlassen.