Datenanalyse und Maschinelles Lernen

Die Forschung in den Bereich des »Maschinellen Lernens« und der »Datenanalyse« hat in den letzten Jahren sehr große Fortschritte gemacht: Algorithmen sind mittlerweile in der Lage, menschliche Weltmeister im Schach und Go zu schlagen, autonom Fahrzeuge zu fahren oder Konversationen zu führen. Intelligente Systeme werden daher immer mehr zur Schlüsseltechnologie für viele existierende und zukünftige Anwendungen und Produkte. Algorithmen erlangen zunehmend Fähigkeiten, die bis vor kurzem nur von Menschen bewältigt werden konnten.

Diese rasante Entwicklung geht einher mit einer stetig steigenden Komplexität der zugrunde liegenden Modelle. Auf dem Weg zum alltagstauglichen Einsatz vieler bestehender Ansätze des Maschinellen Lernens gibt es aber immer noch wesentliche Hürden zu überwinden: Eine davon ist der enorme Bedarf an Rechenleistung des Maschinellen Lernens. So ist derzeit nicht unüblich, dass für einen einzigen Lernvorgang mit aktuellen Methoden (Stichwort Deep Learning) mehrere Tage Rechenzeit erforderlich sind. 

Im Schwerpunkt »Datenanalyse und Maschinelles Lernen« arbeiten wir u.a. an neuen Algorithmen zur effizienten verteilten Berechnung von Lernalgorithmen und deren Umsetzung auf spezialisierter Hardware. Der Fokus unserer Arbeit liegt dabei auf der Entwicklung skalierbarer Optimierungsalgorithmen für die verteilte Parallelisierung von großen Machine-Learning-Problemen. Grundlage für diese Arbeiten sind dabei die am CC HPC entwickelten HPC-Komponenten, wie z. B. das parallele Filesystem BeeGFS oder das Programmierframework GPI2.0, welche die effiziente Implementierung neuer Algorithmen wie ASGD (Asynchronous Stochastic Gradient Descent) erst ermöglichen.