Hetek helyett órák alatt fejleszt önvezető megoldásokat a Continental és az NVIDIA számítógép klasztere
A Continental budapesti mesterséges intelligencia fejlesztő központjának csapata is részt vett a közös fejlesztésben, hiszen a jövőben a hazai szakemberek a szuperszámítógép alkalmazásával növelni tudják versenyképességüket.
„Összességében azt becsüljük, hogy a neurális háló tanításához szükséges időt hetekről órákra lehet csökkenteni” – mondja Lóránd Balázs, a Continental budapesti mesterséges intelligencia fejlesztő központjának vezetője, aki a mesterséges intelligencia-alapú innovációk infrastruktúrájának fejlesztésén is dolgozik magyarországi munkatársaival. „A fejlesztő csapatunk létszáma és tapasztalata egyaránt növekedett az elmúlt évek során. A szuperszámítógép segítségével pedig most még jobban tudjuk skálázni a számítási teljesítményt igényeinknek megfelelően, és kiaknázhatjuk a fejlesztőinkben rejlő teljes potenciált”- tette hozzá Lóránd Balázs.
„A szuperszámítógép egy befektetés a jövőnkbe” - mondja Christian Schumacher, a Continental fejlett vezetéstámogató rendszerek (ADAS) üzletágának programmenedzsment rendszerekért felelős igazgatója. „A csúcstechnológiás rendszer csökkenti a neurális hálózatok tanításához szükséges időt, mivel legalább 14-szer több kísérlet egyidejű futtatását teszi lehetővé.”
Az NVIDIA-val való együttműködés garantálja a magas minőséget
„Amikor partnert keresünk, két dologra figyelünk kiemelten, a minőségre és a gyorsaságra” – mondja Schumacher. „A projektet ambiciózus időtervvel indítottuk el, és kevesebb, mint egy év alatt meg is valósítottuk. Intenzív tervezési és tesztelési periódus után a Continental az NVIDIA-t választotta, amely a világ leggyorsabb szuperszámítógépei közül többet is üzemeltet.”
„Az NVIDIA DGX rendszerek költséghatékony és könnyedén telepíthető megoldást nyújtanak mesterséges intelligenciát alkalmazó számításokra olyan innovátorok számára, mint amilyen a Continental is” – mondja Manuvir Das, az NVIDIA nagyvállalati informatikai részlegének igazgatója. „Az InfiniBand hálózati technológia használatával épült NVIDIA DGX POD a klaszterrel a Continental a holnap legintelligensebb járműveit, valamint az azok tervezéséhez használt IT infrastruktúrát hozza létre.”
Jogosan van jogosítványod? - KRESZ és autóvezetési ismeretek kalkulátor
IT mestermű az MI-alapú megoldásokhoz
A Continental szuperszámítógépét több mint ötven NVIDIA DGX szerver felhasználásával építették, amelyek NVIDIA Mellanox InfiniBand hálózatot használnak a klaszteren belüli kommunikációra. Ezt a rendszert a szuperszámítógépek hivatalosan is elérhető TOP500-as listáján az autóipar legnagyobb rendszerei között tartják számon. Kialakítása során hibrid megközelítést választottak annak érdekében, hogy szükség esetén felhőalapú megoldásokkal bővíthessék a számítási és a tárolási kapacitást. „A szuperszámítógép az informatikai infrastruktúra tervezésének remekműve” – mondja Schumacher. „A csapat minden részletet pontosan megtervezett annak érdekében, hogy a rendszer a ma elérhető maximális teljesítményt és funkcionalitást, később pedig a további bővítések skálázhatóságát is biztosítsa.”
A fejlett vezetéstámogató rendszerek mesterséges intelligencia alapú algoritmusokat használnak arra, hogy döntéseket hozzanak meg, támogassák a sofőrt, és végső soron, hogy önállóan működhessenek. A nyers adatokat környezeti szenzorok, például radarok és kamerák szolgáltatják. Ezeket valós időben dolgozzák fel intelligens rendszerek, hogy egy átlátható modellt hozzanak létre a jármű környezetéről, és kidolgozzanak egy stratégiát az azzal való interakcióról. Végül a járművet vezérelni is kell ahhoz, hogy a terveknek megfelelően viselkedjen. Azonban mivel a rendszerek egyre bonyolultabbá válnak, a hagyományos szoftverfejlesztési módszerek elérték a saját felső határaikat, amelynek következtében a gépi tanulás és a szimulációk központi fontosságúvá váltak a megoldások kidolgozásában.
Legfőbb alkalmazási módok: gépi tanulás, szimuláció és virtuális adatok generálása
A gépi tanulás esetében mesterséges neurális hálózatok valósítják meg, hogy a gép tapasztalatok alapján tanuljon, és új információkat kössön össze a meglévő ismeretekkel, sok szempontból hasonlóan ahhoz, ahogyan az emberi agyban is zajlik a tanulási folyamat. Azonban amíg egy gyermek képes felismerni egy autót, miután pár tucat különféle típusú autót mutattak neki, több ezer órás tanításra, és milliónyi képre, azaz óriási mennyiségű adatra van szükség egy neurális háló tanításához, amely később a sofőrt fogja segíteni, vagy akár önállóan vezérli a járművet. Az NVIDIA DGX POD alapú rendszer nem csak az ezen komplex folyamat kialakításához szükséges időt csökkenti le, hanem az új technológiák piacra dobásához vezető folyamatot is lerövidíti.
Jelenleg a neurális hálók tanításához felhasznált adatok főként a Continental tesztjármű-flottájából származnak. Ezek a járművek 15 ezer tesztkilométert tesznek meg naponta, miközben körülbelül 100 terabájtnyi adatot gyűjtenek, ami 50 ezer órányi filmnek felelne meg. A rögzített adatokat már fel lehet használni új rendszerek tanításához ismételt lejátszással, azaz a valódi tesztvezetések szimulációjával. A szuperszámítógép segítségével az adatokat már szintetikusan is lehet generálni. Ez egy nagy számítási teljesítményt igénylő felhasználási eset, amely lehetővé teszi a rendszerek számára, hogy egy szimulált környezetben tett virtuális utazásból „tanulhassanak”.
Ez számos előnnyel szolgálhat a fejlesztési folyamat során. Először is, hosszútávon szükségtelenné teheti a fizikai flotta által generált adatok rögzítését, tárolását, és keresését, mivel a tanuláshoz használandó szcenáriókat a rendszer saját maga azonnal létrehozhatja. Másodszor, növeli a fejlesztés sebességét, mivel a virtuális járművek annyi tesztkilométert tudnak megtenni néhány óra alatt, amennyire egy valódi autó csak több hét alatt lenne képes. Harmadszor pedig az adatok szintetikus generálása lehetővé teszi a rendszerek számára a változó és kiszámíthatatlan forgalmi szituációk feldolgozását, és az azokra való reagálást. Végső soron, mindez lehetővé teszi a járművek számára, hogy biztonságosan vezessenek változékony körülmények között, illetve, hogy megbízhatóan ki tudják számítani a gyalogosok mozgását, ezáltal is elősegítve az egyre magasabb szintű autonómia megvalósítását.
A skálázhatóság volt az NVIDIA DGX POD alapú megoldás mögött rejlő koncepció egyik legfőbb mozgatórugója. A technológián keresztül a gépek gyorsabban, jobban és átfogóbb módon tanulhatnak, mint bármely ember által vezérelt módszer segítségével, és így a potenciális teljesítmény exponenciálisan növelhető.
A szuperszámítógép egy frankfurti adatközpontban található, amelyet a felhőszolgáltatókhoz való közelsége, valamint a még ennél is fontosabb mesterséges intelligencia alapú fejlesztésekhez szükséges infrastruktúra kialakítására és üzemeltetésére alkalmas környezet miatt választottak. Így a hűtési rendszerekkel, a hálózati kapcsolatokkal, valamint az energiaellátással kapcsolatos speciális kívánalmak mind teljesíthetők. Az adatközpont tanúsítottan zöld energiát használ a számítógépek áramellátására. Mindemellett a GPU klaszterek kialakításuknak köszönhetően sokkal energiahatékonyabbak a CPU-klasztereknél.
