(+34) 91 361 10 02
comercial@sie.es
Dossier
flagEspañol
flagEnglish
Facebook
Twitter
LinkedIn
YouTube
Instagram
RSS
Sistema Informáticos EuropeosSistema Informáticos Europeos
  • Productos
    • High Performance Computing Platforms
    • Software
  • Servicios
    • Virtualización
  • Proyectos
    • Our HPC developments
  • Novedades
    • News
    • SIE with science
  • Conócenos
    • About us
    • Contact
  • English
    • Español

Deep Learning: la nueva frontera del Exaflops en HPC

14 June, 2017HPC, portadaNo commentsRaúl Díaz

CONSIDERACIONES PREVIAS SOBRE DEEPLEARNING

La teoría de redes neuronales y sus algoritmos fue propuesta en los años 40. A nivel de Ingeniería, durante este tiempo se ha estado trabajando en el Data Mining o Mineria de Datos.
Sin embargo, en esta época, la capacidad computacional, no permitía afrontar estos cálculos con eficacia. Gracias a la eclosión del Big Data, con gran cantidad de datos estructurados y no estructurados, unido a la mejora de los sistemas HPC, ha permitido llegar a sistemas Machine learning & Deep learning eficaces. La idea fundamental, es que en los últimos años, los datos han crecido de forma exponencial, en especial, en sector como la imagen médica, la bioinformática, etc.

Captura de pantalla 2017-06-14 a las 23.31.03

En estos entornos, Deep learning, permite afrontar la necesidad de buscar patrones entre cientos o miles de datos no estructurados sean de imágenes, patrones de comportamiento, etc.
Compañías como NVDIA o Intel (con su adquisición de Altera), están interesadas en estas tecnologías, porque aunque es posible acercarse al entrenamiento de la máquina desde procesadores de propósito general como son los Broadwell, a nivel de productividad, es más eficiente, descargar de esta tarea al procesador principal y realizarla desde un coprocesador. Dado que para esta tarea, es suficiente con simple precisión (o incluso media), el resultado es que tarjetas GPU como las que posee NVDIA de más de 3.000 cores, son un elemento ideal para acercarse a esta problemática. Además, la tecnología Pascal (frente a la antigua Kepler o incluso Maxwell), a supuesto en algunos casos, el aumento del 100% de rendimiento en Tflops y también el doble de ancho de banda a memoria, lo que ha mejorado mucho la eficiencia para este tipo de cálculos.
Estos sistemas también llamados anteriormente neuronales, se comportan mejor con mayor número de cores menos potentes (como los que ofrecen GPUs y coprocesadores, ya sean FPGA o Phi) y con más dificultad, en procesadores Xeon Broadwell, por ejemplo, que son excelentes en procesos de propósito general y como ejecución de sistemas operativos.
También empieza a haber un ecosistema de software de gran interés, con herramientas propietarias como Mathlab o de código libre como R Python. Google y otras compañías también han desarrollado sus propios algoritmos.
Es quizá la parte teórica, la que más puede interesar a los investigadores. Sin embargo, tiene una gran aplicación práctica, que bebe de esta investigación base, en campos entre los que cabe mencionar:

Detección asistida por ordenador
Será la aplicación más común en el futuro más próximo por su relativa facilidad de implementación. Estos sistemas pueden ayudar a alertar a los radiólogos sobre las lesiones sospechosas que requieren una revisión más profunda. Esto implica que el análisis será más rápido y reduce el riesgo del error humano.

Imagen cuantitativa
Herramientas de imagen cuantitativa ayudan a los especialistas a segmentar, visualizar y cuantificar lo que están viendo. Esto puede agilizar los procesos y simplifica el proceso de toma de decisiones.
Herramientas de apoyo a la toma de decisiones
Combinan las dos áreas anteriores para ayudar a crear herramientas automatizadas de flujo de trabajo para los profesionales. Pueden suministrar pautas y objetivos específicos de análisis detallado después de un análisis previo efectuado de forma automática por estos sistemas.

Diagnóstico asistido por ordenador
Las herramientas de diagnóstico asistido por ordenador combinan todas las herramientas antes mencionadas para ofrecer diagnósticos respaldados por probabilidades. Los sistemas no harán el diagnóstico final, pero si a un radiólogo, el resultado de la ejecución de un algoritmo de Deep Learning, le informa que un cierto diagnóstico tiene alrededor de un noventa por ciento de probabilidad de ser correcto, el radiólogo puede centrarse en confirmar ese diagnóstico en lugar de perder tiempo en revisar otros casos en los que la probabilidad de existir un diagnóstico es muy baja.

Como base de todo ello, se utiliza una red neuronal artificial autodidacta que ha aprendido a partir de miles de casos hasta el momento y continuará mejorando con cada nuevo caso que analiza.

Volviendo a hablar de la herramienta de Mathlab, el reconocimiento de patrones en imágenes o incluso videos, empieza a estar en órdenes del 80-90% de acierto, una vez que tenemos un sistema bien entrenado, con patrones previos.
Dentro de Mathlab el aprendizaje de máquinas para visión por computador, está muy logrado, pudiendo tener patrones de aprendizaje que son bastante certeros cuando deben identificarse imágenes similares.

Captura de pantalla 2017-06-14 23.37.10

SIE, como Platinum Partner y HPC Specialist de Intel y Partner de NVDIA, ha tenido acceso las últimas tecnologías en este campo, tanto a la tecnología Pascal de NVIDIA con Cuda 8, como en las nuevas implementaciones de Intel Phi Knight Landing, de las cuales tiene gran experiencia en el campo de HPC.

Tags: CALCULO GPU, cluster, COMPUTO GPU, GPU, GPU Computing, hpc, hpcadmintech2016, hpcsie, Parallel computing, storage
Previous post Quibim. El “radiologo diferente” Next post SIE INSTALA CON ÉXITO EL CLUSTER DEL INSTITUTO DE PARASITOLOGÍA LOPEZ-NEYRA (CSIC)

Related Articles

Sorteo de disco interno Micron M600

21 April, 2016Raúl Díaz

Rendimiento plataformas Gigabyte.

22 April, 2016Raúl Díaz

SIE LAUNCH THE NEW AMD INTERLAGOS 64 CORES PLATFORMS

18 January, 2012Raúl Díaz

Leave a Reply Cancel reply

Your email address will not be published. Required fields are marked *

Search

Recent Posts

  • Ofertas suscriptores 2023
  • Rehabilitación de pacientes neurológicos y psiquiátricos
  • ChatGPT, lo último de OpenAI tiene loco a Internet
  • Gigabyte es ahora Giga Computing Technology
  • El Reto Metástasis | IRB Barcelona

Recent Comments

  • Gustavo Gama on Gigabyte ARM Server

Archives

  • January 2023
  • December 2022
  • November 2022
  • September 2022
  • August 2022
  • May 2022
  • April 2022
  • February 2022
  • June 2021
  • May 2021
  • February 2021
  • December 2020
  • August 2020
  • May 2020
  • March 2020
  • February 2020
  • October 2019
  • August 2019
  • July 2019
  • June 2019
  • December 2018
  • June 2018
  • May 2018
  • April 2018
  • March 2018
  • January 2018
  • November 2017
  • August 2017
  • June 2017
  • April 2017
  • February 2017
  • January 2017
  • December 2016
  • November 2016
  • October 2016
  • September 2016
  • August 2016
  • July 2016
  • June 2016
  • May 2016
  • April 2016
  • March 2016
  • February 2016
  • January 2016
  • December 2015
  • November 2015
  • October 2015
  • July 2015
  • June 2015
  • May 2015
  • March 2015
  • January 2015
  • November 2014
  • October 2014
  • July 2014
  • January 2014
  • October 2013
  • June 2013
  • May 2013
  • March 2013
  • December 2012
  • July 2012
  • March 2012
  • January 2012
  • November 2011
  • June 2011
  • May 2011
  • March 2010
  • January 2010
  • November 2009
  • March 2007

Categories

  • Featured
  • Gigabyte
  • GPU
  • HPC
  • intel
  • Other news
  • SIE News
  • SSD
  • Success stories
  • Uncategorized
  • Legal note
© 2020 Sistemas Informáticos Europeos, todos los derechos reservados.