Referentenbiografie
Frank Kraemer ist IBM Systems Architect für großskalige IT-Lösungen. Er verfügt über umfassendes Verständnis für Datenmanagement im automatisierten Fahren und für KI in der Automobilindustrie. Er unterstützt die globale Automotive-Datenstrategie von IBM und konzentriert sich auf Einsatzgebiete von Red Hat OpenShift sowie auf Full-Stack- und softwaredefinierte Computing-Plattformen für Deep Learning, Data Science und künstliche Intelligenz.
Präsentation
Von ChatGPT bis zum generativen Weltmodell für automatisiertes Fahren: Große KI-Modelle halten zunehmend Einzug in die Fahrzeugsoftware – von Vision-Modellen bis hin zu End-to-End-Modellen. KI und Scientific Computing sind typische verteilte Rechenprobleme, deren Datenmengen und Rechenlast weit über einen einzelnen Rechner hinausgehen. Trainingsdaten und Modellparameter werden deshalb auf viele CPU- und GPU-Knoten verteilt, die Informationen wie Gradienten effizient austauschen müssen. Gleichzeitig arbeiten leistungsintensive KI-Anwendungen häufig mit unstrukturierten Daten wie Sensorstreams, Audio, Bildern und Videos. Trainingsdaten müssen daher performant, flexibel und skalierbar bereitgestellt werden. Qualität und Tiefe dieser Daten beeinflussen den Erfolg der Modelle unmittelbar und liefern die Beispiele, aus denen die KI relevante Merkmale lernt. Die Teilnehmenden erfahren: 1) warum Trainingsdaten hochperformant, flexibel und skalierbar sein müssen, 2) warum Qualität und Tiefe der Daten den Erfolg von KI-Modellen entscheidend beeinflussen und 3) wie Daten den Modellen helfen, relevante Merkmale aus Eingangsdaten zu erkennen und zu extrahieren.