Machine Learning: Google bietet vorgefertigte Umgebungen für KI-Training an

Googles Deep Learning Containers sind in der Cloud gehostete Entwicklungsumgebungen, in der Nutzer ohne viel Einrichtungsaufwand ihre Machine-Learning-Software trainieren können. Die Container schöpfen Ressourcen direkt aus der Google-Cloud mit Intel-CPUs und Nvidia-GPUs. Amazon war aber zuerst da.

Artikel veröffentlicht am 27. Juni 2019, 12:40 Uhr, Oliver Nickel

KI-Modelle trainieren soll mit Google einfacher werden. (Symbolbild) (Bild: Pixabay.com/Montage: Golem.de/CC0 1.0)

Google hat für seine Cloud-Kunden die erste Betaversion der Deep Learning Containers vorgestellt. Das sind vorgefertigte und direkt nutzbare Entwicklungsumgebungen, in denen Kunden direkt ihre Machine-Learning-Modelle erstellen können. "Es ist einfach zu unterschätzen, wie lange es eigentlich dauert, ein Machine-Learning-Projekt zum Laufen zu bringen", schreibt das Unternehmen in einem Blogpost. Die Deep Learning Containers sollen diese Arbeit übernehmen, basieren allerdings vorerst auf Produkten, die Google selbst vorgibt - etwa der Google Kubernetes Engine und Google AI Platform Notebooks. Das System setzt auf einer Jupyter-Umgebung auf, die quelloffen ist.

Ein Vorteil dieser in der Cloud gehosteten Container ist die Anbindung an theoretisch sehr viele Hardwareressourcen - solange Kunden dafür bezahlen. Googles Rechenzentren stellen Entwicklern Intel-CPUs und Nvidia-Grafikkarten zur Verfügung. CUDA-, Cudnn- und Nccl-Beschleunigung soll beim Training von bild- oder videobasierter Machine-Learning-Software helfen können.

Amazon legt vor, Google zieht nach

Jeder Container stellt zudem eine Python-3-Umgebung bereit. Vorerst wird es die Container mit den Frameworks Tensorflow 1.13, Tensorflow 2.0, Pytorch und R geben. Google will allerdings künftig alle gängigen Systeme anbieten.

Konkurrent Amazon Web Services bietet Deep Learning Container seit dem Frühling 2019 an. Die DL Containers haben den Vorteil, dass sie neben Amazons eigenen Systemen auch zu Apache Mxnet und Google Tensorflow kompatibel sind. Es ist daher wahrscheinlich, dass Googles Container möglichst schnell auch andere Frameworks außerhalb des eigenen Ökosystems unterstützen werden, um konkurrenzfähig zu sein.