Управление вычислительными ресурсами суперкомпьютеров методами машинного обучения в условиях ограничений

Технологии искусственного интеллекта и машинного обучения являются одними из самых перспективных в области компьютерных наук. Они позволяют получить решение задач, которые до недавнего времени были исключительно прерогативой человека. Однако при решении практических задач приходится реализовывать модели машинного обучения с учетом ограничений на доступные ресурсы, при этом, ресурсы могут быть как вычислительные и временные (т.е. задача должна быть решена за определенное время и с использованием определенного аппаратного обеспечения, чаще всего речь идет о различных мобильных платформах), так и информационные, когда речь идет о малых, цензурированных, неполных или зашумленных данных. В работе рассматриваются методы машинного обучения, используемые для решения практических задач в прикладных областях, таких как сравнение формы трехмерных объектов и интеллектуализация диспетчеризации ресурсов, в рамках концепции «Суперкомпьютер для ИИ и ИИ для суперкомпьютера». В области решения задач при наличии ограничений на объем данных предложен метод, который позволяет осуществить обучение многослойной нейронной сети с использованием сверхмалой обучающей выборки, для решения задачи количественной оценки близости формы произвольных трехмерных объектов. В области применения моделей машинного обучения при наличии ограничений на используемые ресурсы разработан метод, обеспечивающий асинхронную работу модели машинного обучения и исполняемого процесса, что позволяет эффективно использовать методы машинного обучения в условиях ограничений.