Параллельные вычисления при реализации web-инструментария распознавания образов на основе методов прецедентов

Abstract

Предлагается программное решение, направленное на улучшение качества распознавания образов и повышение эффективности инструментария машинного обучения посредством реализации grid-технологий. Формулируются стратегические направления разработки инструментария распознавания образов в виде программной системы, осно-ванной на принципах распределенных систем, распараллеливания и адаптивной настройки вычислительных ресурсов. Рассматривается структура организации web-инструментария распознавания образов с использованием концепции библиотеки алгоритмов. Даются алгоритмические решения распараллеливания алгоритмов обучения и распознавания на базе классических методов интеллектуального анализа данных, которые хорошо зарекомендовали себя на практике. К таким алгоритмам относятся методы прецедентов или методы, основанные на метриках близости. Они обладают большим потенциалом к распараллеливанию вычислительных процессов и разработке параллельных алгоритмов их реализации.Поиски путей повышения производительности вычислительной техники, особенно при реализации web-инстру-ментария на основе ресурсоемких вычислительных алгоритмов машинного распознавания и прогнозирования, при-вели к решению создать grid-систему. Рассматриваемые в статье архитектура и реализация grid-системы предполагают распараллеливание и организацию распределенных вычислений на многомашинной основе с применением интернет-технологий, что позволяет получить практически те же вычислительные мощности, что и на многопроцессорных ком-пьютерных системах, но с гораздо меньшей стоимостью.В статье решается задача повышения эффективности вычислительных ресурсов при возможности реконфигуриро-вания структуры интернет-соединений, в том числе процедуры настройки структуры вычислительной сети, подклю-чаемых каналов связи и выделенных серверов в зависимости от исходных алгоритмов и данных. Представлены зави-симости параметров времени выполнения операций от дисциплины обслуживания, адаптирующей систему к запросам пользователей. При этом задачи ранжируются по ресурсоемкости и под них выделяются соответствующие их рангу вычислительные мощности.Ключевые слова: интеллектуальные информационные системы, распознавание образов, машинное обучение, web-системы, параллельные вычисления.В современном мире рост производительности при обработке большого количества разнообраз-ной информации достигается только в тех случаях, когда часть интеллектуальной нагрузки берут на себя компьютеры. Одним из направлений исследо-ваний в области искусственного интеллекта [1, 2] являются интеллектуальные информационные си-стемы, которые находятся на пике исследователь-ской активности, практики прикладного приме-нения и коммерциализации. Они широко вошли в разные области промышленности, экономики, ме-дицины и т.д. Интеллектуальные информационные системы сосредоточили в себе наиболее наукоем-кие технологии с высоким уровнем автоматизации процессов не только подготовки информации для принятия решений, но и выработки вариантов ре-шений, опирающихся на полученные информаци-онной системой данные.Проблемы эффективног...