Im Gesrpäch mit Stephan Gillich von Intel

Stephan Gillich ist Director of Artificial Intelligence and Technical Computing - Go to Market (GTM) der Intel EMEA Datacenter Group. In dieser Funktion ist er für die strategische Planung und Positionierung von Intel-Produkten und -Lösungen in den Bereichen High Performance Computing (HPC), Analyse und Künst­liche Intelligenz in der EMEA-Region zuständig.

com! professional: Für KI-Aufgaben optimierte Chips scheinen die neuen Sterne am Prozessorhimmel zu sein. Wie sehen Sie die Rolle von KI-Prozessoren bei KI-Workloads?

Stephan Gillich: Ich muss Sie gleich enttäuschen. Viele denken, dass man für KI immer besondere Akzeleratoren braucht. Das ist in der Regel nicht der Fall. Die enorme Leistungsfähigkeit von Prozessoren, des Data Storage und von Hardware allgemein sind natürlich die Grundlage dafür, dass man jetzt praktisch KI machen kann. Was aber auch damit verbunden ist, ist vor allem die Software, ohne die ja kein Chip funktionieren kann.

com! professional: Sie denken jetzt an KI-Entwicklungs-Tools?

Gillich: Ja, Frameworks und Entwicklungswerkzeuge wie TensorFlow, Caffe oder MxNet sind mindestens genauso wichtig, damit KI funktioniert. Wir haben die Software-Stacks deshalb entsprechend optimiert, sodass sie auf allgemeinen CPUs sehr gut funktionieren. Und wir bauen jetzt auch spezielle Instruktionen und spezielle Technologien in die CPUs ein.

com! professional: Was für KI-Features bauen Sie in die CPUs ein?

Gillich: Die aktuelle Intel-Xeon-Scalable-Generation hat ein Feature, das sich DL Boost nennt und das Inferencing beschleunigt. Diese CPUs decken eine große Bandbreite ab. Wir sehen ja in der Praxis, dass die Kunden ihre Rechner etwa im Data-Center-Bereich für sehr viele Zwecke einsetzen wollen - für KI vielleicht auch, aber nicht ausschließlich. Und deswegen nimmt das einen relativ breiten Raum bei unserer Entwicklung ein.

Gillich: Die gibt es natürlich auch. Die Intel-Movidius-Myriad-2-VPU ist optimiert für Inferencing mit einem Deep Learning Network im Bereich visuelle Anwendungen - und zwar bei nur geringer elektrischer Leistung wie sie in Devices, in Kameras und in Drohnen zur Verfügung steht. Eine Organisation nutzt zum Beispiel die Unit für Bild­erkennung im afrikanischen Busch. Dort müssen die Kameras sehr lange mit einer begrenzten Batterieleistung auskommen.

com! professional: Welche Prozessoren decken Realtime-Anforderungen ab?

Gillich: Da sind FPGAs gut geeignet für. FPGAs waren schon immer für Realtime-Anwendungen sehr gut geeignet wegen ihrer anpassbaren Architektur, und das gilt auch für KI-Anwendungen. Die werden etwa eingesetzt für Realtime-Anwendungen in Industriesteuerungen, aber auch in Rechenzentren.

Gillich: Die Trainingsseite wird oft überbewertet, auch wenn es natürlich Anwendungen und Firmen gibt, die in bestimmten Fällen sehr hohe Trainings-Workflows haben. Wir entwickeln dafür spezielle Architekturen wie den Intel NNP-T. Der Prozessor ist noch nicht verfügbar, aber die Entwicklung schon sehr weit fortgeschritten. Eine weitere in Entwicklung befindliche KI-Architekur ist der Intel NNP-I. Der Chip ist darauf spezialisiert, das Inferencing von Deep Learning sehr effizient durchzuführen. Das ist für Kunden interessant, die in ihrem Gesamt-Workload sehr viele Auswertungen mit KI machen wollen.

Gillich: Der Gesamtmarkt wird zunehmen, da wir mehr KI-Anwendungen in allen Industrie- und Forschungsfeldern sehen werden. Im Gesundheitswesen, in der Produktion, im Manufacturing bestehen vielfältige Einsatzmöglichkeiten. Entsprechend vielfältig sind auch die Anforderungen: Ob Sie Anwendungen eher im Feld haben oder auf einem Device oder im Data-Center oder irgendwo dazwischen auf einer Gateway-Architektur - es herrschen höchst unterschiedliche Anforderungen. Und mit verschiedenen Architekturen, sowohl von der CPU- als auch von der Beschleuniger-Seite her, will Intel ein breites Spektrum dieser Anforderungen abdecken.