Alunos de Sistemas de Informação recebem prêmio por novo algoritmo paralelo para aprendizado de máquina
Postado em 21 de outubro de 2016
![Alunos de Sistemas de Informação recebem prêmio por novo algoritmo paralelo para aprendizado de máquina Alunos de Sistemas de Informação recebem prêmio por novo algoritmo paralelo para aprendizado de máquina](http://www5.each.usp.br/wp-content/uploads/2016/10/sipremio-563x353.jpg)
O trabalho de iniciação científica desenvolvido pelos alunos Carlos Alexandre Tomigawa Aguni e Alex Eiji Kawahira, do curso de Sistemas de Informação da EACH, orientados pelo professor Daniel Cordeiro, recebeu o prêmio de “Melhor Artigo de Iniciação Científica” durante o XVII Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD), realizado no início do mês, em Aracaju, Sergipe. O evento tem como objetivo apresentar os principais desenvolvimentos, aplicações e tendências nas áreas de arquitetura de computadores, processamento de alto desempenho e sistemas distribuídos.
Intitulado “Análise de Desempenho e Paralelização de Algoritmos para Redes Neurais Profundas”, o trabalho apresenta uma nova abordagem paralela para um algoritmo de retropropagação em redes neurais artificiais. O desempenho do algoritmo foi analisado em duas arquiteturas de computadores many core modernas: Intel Xeon Phi e uma Nvidia Tesla (unidades de processamento gráfico de propósito geral).
Redes neurais é um tema estudado por pesquisadores da área de inteligência artificial e que tem atraído cada vez mais o interesse da indústria por conta de casos recentes de sucesso como o projeto Deep Dream do Google, o reconhecimento de faces do Facebook ou a plataforma de Computação Cognitiva Watson, da IBM.
Algoritmos para redes neurais profundas são o coração dos métodos de aprendizado de máquina mais modernos. Elas permitem não apenas a análise de grandes quantidades de dados, mas também a identificação de novas relações entre dados e criação de novo conhecimento a partir da informação já conhecida. Pode-se dizer que é um programa de computador capaz de aprender quando exposto a nova informação.
Os resultados desse trabalho permitirão acelerar a execução desses algoritmos em plataformas many core. O artigo premiado mostra como executar esses algoritmos até dez vezes mais rápido do que seria possível utilizando-se um único processador quando a arquitetura Intel Xeon Phi é utilizada e até cinco vezes mais rápido quando uma GPU é utilizada.
*Com informações do curso de Sistemas de Informação