Lose Kopplung und Optimierung von verteilten Deep-Neural-Network-Inferenzen

Marko Böhm: Lose Kopplung und Optimierung von verteilten Deep-Neural-Network-Inferenzen. Band I der Schriftenreihe „Angewandte Informatik im Praxisdialog. Wirtschaftsinformatik, Softwaretechnik und digitale Methoden“

Inhalt:

Die Nutzung künstlicher Intelligenz (KI) gehört in den verschiedensten Bereichen bereits zum Alltag. Dabei ist jede KI fähig, die spezifische Aufgabe zu erledigen, für die sie entwickelt wurde, man spricht in diesem Zusammenhang auch von einer „schwachen“ KI.

Die vorliegende Arbeit untersucht und entwickelt eine „Elastic System Architecture“ (ESA), eine Architektur, die aufgrund der losen Kopplung von verschiedenen Deep Neural Network (DNN)-Inferenzen in der Lage ist, komplexere und allgemeinere Probleme zu lösen. Zudem wird durch die lose Kopplung die Integration neuer sowie die Exklusion veralteter DNN-Inferenzen erleichtert. Grundlage hierfür ist unter anderem ein nachrichtenbasiertes System, welches Advanced Message Queuing Protocol (AMQP) als Kommunikationsprotokoll verwendet. Die dem System angeschlossenen Agenten verwenden die FIPA-ACL als Agenten-Kommunikationssprache (ACL). Die Forschungsarbeit basiert auf der Methodik des Design Science Research (DSR). Grundlagen hierfür werden anhand einer fundierten Literaturrecherche geschaffen. Es werden Strategien zur architektonischen Optimierung der ESA durch neue Agenten präsentiert, die Kommunikation und Leistung verbessern. Zudem werden der genetische Algorithmus und der Ameisenalgorithmus als Optionen zur Optimierung der Kommunikation betrachtet.

Überdies werden auf Basis einer Instanz der ESA drei Experimente durchgeführt. Hier wird zum einen das Verhalten der ESA in Bezug auf unterschiedliche Verteilungen der Eingangs- und Ausgangsdaten untersucht und zum anderen wird eine Anpassung der Parameter des Ameisenalgorithmus analysiert. Die Experimente zeigen, dass sich eine ESA in ein lineares Optimierungsproblem überführen lässt und Abhängigkeiten bei einer asynchronen Kommunikation vorhanden sind. Ferner werden Kennzahlen als Leistungsindikator und für die Genauigkeit des Ameisenalgorithmus im Kontext der ESA abgeleitet. Diese Kennzahlen können zum Vergleich und Benchmarking verschiedener Instanzen einer ESA verwendet werden. Weiterführende Forschung könnte auf Optimierungsalgorithmen sowie die Architektur der ESA ausgerichtet sein.

Dieses eBook steht unter der CC BY 4.0-Lizenz. Weitergabe und Nutzung sind unter Namensnennung erlaubt (https://creativecommons.org/licenses/by/4.0/).

Zitiervorschlag (APA): Böhm, M. (2025). Lose Kopplung und Optimierung von verteilten Deep-Neural-Network-Inferenzen. Angewandte Informatik im Praxisdialog, Band I, Vossenkuhl Scriptum. DOI: 10.63491/973948765149.