Facebook Instagram Twitter RSS Feed PodBean Back to top on side

Čo ponúkame - Najlepšie výsledky

Návrh a sprístupnenie e-infraštruktúry pre intenzívne spracovanie v hybridnom dátovom cloude

15. 11. 2022 | videné 185-krát
Projekt DEEP-HybridDataCloud sa zaoberá podporou intenzívnych výpočtových techník, ktoré na spracovanie veľkých súborov dát vyžadujú špecializované prostriedky ako GPU, HPC alebo Infiniband. V rámci projektu bola vytvorená platforma „DEEP as a Service“ zložená z množiny základných blokov na vývoj a nasadenie aplikácií s výpočtovými technikami deep learning, paralelné spracovanie rozsiahlych dát a analýza masívnych dátových tokov. UI SAV v projekte vedie pracovný balík WP4, v ktorom sa zaoberá technológiami na zrýchlenie výpočtov špecializovanými prostriedkami (GPU, Infiniband), zlepšením prístupov k týmto prostriedkom v cloude a integráciou HPC s cloudom. V rámci WP4 bol vyvinutý jednotný prístup ku GPU pre rôzne cloudové platformy ako Openstack, Mesos, Kubernetes ako aj pre platformu HPC. Okrem pracovného balíka WP4, participuje UI SAV aj v pracovnom balíku WP6 a to na tvorbe platformy DEEP as a Service a služby Marketplace, ďalej v pracovnom balíku WP2 s aplikáciou na analýzu masívnych dátových tokov pomocou techniky deep learning. Vývoj a nasadenie aplikácie boli asistované CI/CD praktikou (Continuous Integration/Continuous Delivery) s vysokou mierou automatizácie. Kolektív riešiteľov publikoval od začiatku projektu dve publikácie CC (Springer Q1, Elsevier Q2) a dve publikácie Procedia Computer Science (Q2). Ďalšie sú v recenznom konaní.
 
Ústav informatiky SAV
Riešitelia: Ladislav Hluchý, Viet Tran, Martin Šeleng, Martin Bobák, Giang Nguyen, Štefan Dlugolinský, Ondrej Habala
Projekt: DEEP-HybridDataCloud (Horizont 2020)
 
  • NGUYEN, Giang — DLUGOLINSKÝ, Štefan — BOBÁK, Martin — TRAN, Dinh Viet — LÓPEZ GARCÍA, Álvaro — HEREDIA, Ignacio — MALÍK, Peter — HLUCHÝ, Ladislav. Machine learning and deep learning frameworks and libraries for large-scale data mining: a survey. In Artificial Intelligence Review, 2019, vol. 52, no. 1, p. 77 — 124. (5.095 — IF2018). ISSN 0269-2821.
  • ALIC, A. S. — ANTONACCI, M. — CABALLER, M. — CAMPOS, I. — COSTANTINI, A. — DAVID, M. — DLUGOLINSKÝ, Š. — DONVITO, G. — DUMA, C. — GOMES, J. — HARDT, M. — HEREDIA, I. — HLUCHÝ, L. — ITO, K. — KOZLOV, V. — LLORET, L. — LOPEZ GARCIA, A. — MARCO, J. — MATYSKA. L. — MOLTO, G. — NGUYEN, G. — ORVIZ, P. — PLOCIENNIK, M. — SUSTR, Z. — TRAN, V. — WOLNIEWICZ, P. — ZU CASTELL, W. DEEP: Hybrid approach for Deep Learning. ISC High Performance - The largest event in Europe for High Performance Computing, Networking and Storage with Machine Learning topics. Frankfurt, Germany. 6.2019.