A Continental az NVIDIA-val egy mesterséges intelligencia fejlesztéséhez szükséges – NVIDIA DGX számítógépekre épülő klasztert – egyfajta szuperszámítógépet hozott létre. Ennek lényege, hogy az önvezető megoldások fejlesztésében, ami eddig hetekig tartott, az akár órákra is lerövidülhet.
A szuperszámítógép legfőbb alkalmazási területei a neurális hálók tanítása, szimuláció és virtuális adatok generálása. A TOP 500 lista szerint ez az autóipar egyik legnagyobb teljesítményű klasztere, és Németországban, Frankfurt am Mainban található.
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 gépi tanulás lényege, hogy míg egy gyerek, ha látott néhány típusú autót, onnantól már felismeri az autókat. De egy neurális háló tanításához több ezer óra tanításra és milliónyi képre van ehhez szükség. Az NVIDIA DGX POD ezt a folyamatot is gyorsítja.
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”. Így már kevésbé lesz szükség a teszt flottára és a tanulás is rövidebb időt vesz igénybe.
