Warum die Welt endlich bereit ist für die KI?

Darüber sprechen wir seit über 50 Jahren. Und doch war das Thema noch nie so aktuell. Künstliche Intelligenz (KI) ist in aller Munde. Auch wenn es weit davon entfernt ist, was Science-Fiction-Filme wie Terminator oder in jüngster Zeit Avengers in der kollektiven Vorstellung verankern konnten, ist KI heute eine technologische Realität. Warum heute? Drei Hauptfaktoren tragen dazu bei.

Das erste ist die Verfügbarkeit von Daten. Um effektiv zu sein, muss eine KI mit einer sehr großen Menge an Informationen versorgt werden. Und im Zeitalter der sozialen Netzwerke und vernetzten Objekte haben Unternehmen noch nie so viele Daten gesammelt.

Der zweite Grund ist die Vereinfachung der Algorithmen. Das Design einer KI, das seit Jahren einer Handvoll Forschern vorbehalten ist, ist heute dank einer ganzen Reihe von Frameworks, Good Practices und Referenzarchitekturen für eine große Anzahl von Datenwissenschaftlern zugänglich.

Last but not least die Rechenleistung. Noch vor 10 Jahren waren die Anforderungen für künstliche Intelligenz sehr teuer. Eine Bremse, die die Entwicklung der Infrastrukturen einfach beseitigt hat.

KI, Machine Learning, Deep Learning, worüber sprechen wir?

Es ist also an der Zeit, dass die KI zeigt, was sie kann. Aber wir müssen immer noch wissen, wovon wir reden. In den Artikeln, die sich mit dem Thema befassen, werden die Begriffe künstliche Intelligenz, maschinelles Lernen (ML) und Deep Learning (DL) manchmal verwechselt. Eine kurze Klarstellung ist daher angebracht.

Künstliche Intelligenz ist ein Computerprozess, der sicherstellen soll, dass eine Maschine wie ein Mensch denken und handeln kann. Machine Learning ist eine KI-Technik, die darauf abzielt, autonom auf der Grundlage algorithmischer Modelle zu arbeiten. So funktionieren die Anti-Spam-Systeme unserer Messaging-Systeme, indem sie beispielsweise zwischen gültigen und unerwünschten E-Mails unterscheiden. Schließlich ist das Deep Learning selbst eine Subtechnologie des maschinellen Lernens. Während beim Machine Learning von Menschen programmierte Modelle verwendet werden, imitiert das Deep Learning das menschliche Gehirn, um selbst zu lernen, wie man Regeln erstellt. Wenn Sie ein Foto mit einem Hund auf Facebook posten, wird die soziale Netzwerk-KI sofort erkennen, dass es sich um einen Hund handelt, weil sie zuvor Millionen von Fotos analysiert und die wichtigsten Merkmale dessen, was ein Hund ist, abgeleitet hat.

5.000 Kerne in einem GPU, 8 GPUs in einem Server

Diese Fähigkeit, astronomische Informationsmengen zu verarbeiten, ist von entscheidender Bedeutung. Davon hängt die Effektivität der KI und damit auch das Interesse in Ihrem Unternehmen ab. Es ist schwierig, einen Wettbewerbsvorteil aus einem System zu ziehen, das einen Monat braucht, um eine Frage zu beantworten. Wie in der Einleitung erwähnt, gibt es nun Komponenten, die Software-Intelligenz mit der entsprechenden Hardwareleistung versorgen können.

Im Vordergrund stehen die von Nvidia angebotenen GPUs (Graphics Processing Units). Der amerikanische Hersteller, der für seine Kompetenz im Bereich Graphikkomponenten bekannt ist, ist heute führend bei speziellen KI-Infrastrukturen. Im Gegensatz zur CPU, die die sequentielle Verarbeitung durchführt, erlaubt die GPU eine massiv parallele Verarbeitung. Die neuesten Generationen von NVIDIA-Grafikprozessoren, die auf der Volta-Architektur laufen, können mehr als 5.000 Kerne einbetten, die bei der Analyse sehr großer Datensätze zusammenarbeiten können. Und eine Plattform wie der HPE Apollo 6500 kann bis zu 8 GPUs kombinieren, um eine Rechenleistung von 125 TFlops zu erreichen. Eine echte Armee von virtuellen Neuronen.

HPE stellt das Apollo 6500 Gen10 System vor, das für das Training von Deep-Learning-Modellen optimiert ist (Bild: HPE)

Technikexperten und Spezialisten

Es ist kein Zufall, dass HPE der erste Hersteller ist, der ein solches Angebot im Programm hat. Die langjährige und strategische Allianz mit Nvidia ermöglicht es dem Unternehmen, über die einfache Phase der OEM-Zusammenarbeit hinauszugehen. Neben der rein technischen Innovation nutzen beide Akteure ihr Know-how, um den Kunden bei der Beantwortung der ersten der Fragen zur KI zu helfen: Warum? Es gibt fünf Hauptfamilien für den Einsatz künstlicher Intelligenz: Simulation, Empfehlung, vorhersagende Instandhaltung, Sprachanalyse und Bildklassifikation.

In jeder dieser großen Kategorien ist die Anzahl der Anwendungen absolut unbegrenzt. Und wie große Datenmengen vor einigen Jahren profitiert auch die künstliche Intelligenz von sehr fortschrittlichen Technologien, aber Unternehmen haben Schwierigkeiten, ihr Nutzungsszenario zu definieren. HPE und Nvidia unterstützen daher gemeinsam Organisationen bei der Einführung von KI. Bedarfsdefinition, Konfiguration der Infrastruktur, Training auf Frameworks (Caffe, Chef, TensorFlow, Python, etc.), Erstellung eines PoC, Organisation von Workshops in unseren Innovationszentren, die beiden Partner setzen auch die volle Bandbreite ihres Ökosystems zum Nutzen ihrer Kunden ein. Nvidia stützt sich auf ein Netzwerk von mehr als 2.800 KI-Start-ups. Die Berater von HPE PointNext hingegen können den Kunden helfen, die Nutzungskonzeptionen zu erstellen, eine Strategie zu entwickeln und eine Roadmap zu erstellen. Alle Zutaten sind vorhanden. Die Welt ist bereit für die KI. Sind Sie es auch?