O Fujitsu Laboratories da Europa, centro subsidiário da Fujitsu, anuncia o desenvolvimento de nova tecnologia de software que utiliza múltiplas GPUs (Unidades Gráficas de Processamento) para permitir aprendizagem profunda de alta velocidade, com base na tecnologia de paralelização de software de supercomputador.
O método mais comum para acelerar a aprendizagem profunda é a utilização de vários computadores equipados com GPUs, em rede e dispostos em paralelo. A dificuldade deste método é que os efeitos da paralelização se tornam progressivamente mais difíceis de serem obtidos, uma vez que o tempo requerido para compartilhar dados entre computadores se eleva quando mais de 10 máquinas são usadas simultaneamente.
O Fujitsu Laboratories desenvolveu a tecnologia de paralelização para compartilhar dados de forma eficiente entre as máquinas e a aplicou ao Caffe, um framework open source de aprendizagem profunda, utilizado em todo o mundo.
Para confirmar sua eficácia, a instituição avaliou a tecnologia sobre AlexNet – uma rede neural multicamadas para reconhecimento de imagem -, por meio da qual confirmou ter alcançado velocidades de aprendizagem com 16 e 64 GPUs, que são 14,7 e 27 vezes mais rápidas, respectivamente, do que uma única GPU.
Com isso, atingiu velocidades de processamento mais rápidas, o que representa uma melhoria na velocidade de aprendizagem de 46% para 16 GPUs e de 71% para 64 GPUs. Por meio desta nova tecnologia, a aprendizagem de uma máquina que levaria cerca de um mês em um computador agora pode ser processada em cerca de um dia, com execução em 64 GPUs em paralelo.
O desenvolvimento permitirá que períodos de pesquisa e desenvolvimento que usem a tecnologia de aprendizado profundo sejam reduzidos, permitindo a criação de modelos de aprendizagem de qualidade superior aos praticados. O Fujitsu Laboratories pretende comercializar, durante o ano fiscal de 2016, esta tecnologia como parte da Fujitsu Limited's AI technology, uma vez que pode ser usada junto aos clientes no que diz respeito à Inteligência Artificial.
