Επιτάχυνση της εκπαίδευσης αλγορίθμων συνεργατικού φιλτραρίσματος συστημάτων συστάσεων, με τη χρήση του προγραμματιστικού μοντέλου HLS για FPGAs

Abstract

Η ταχεία αύξηση της ανάπτυξης που συμβαίνει στον πεδίο της Μηχανικής Μάθησης την τελευταία δεκαετία έχει οδηγήσει σε μία μεγάλη αύξηση του αριθμού των πλατφορμών όπως το Netflix για ταινίες ή το Spotify για μουσική κ.α., οι οποίες βρίσκουν απήχηση στη μεγαλύτερη μερίδα του κόσμου. Τέτοιες πλατφόρμες προκειμένου να προσφέρουν την καλύτερη εμπειρία για κάθε χρήστη, χρησιμοποιούν αλγόριθμους οι οποίοι προτείνουν αντικείμενα (ταινίες, μουσική κλπ.) που εξαρτώνται από τις ανάγκες, τις προτιμήσεις και επιλογές σύμφωνα με το ιστορικό του. Τα συστήματα που χρησιμοποιούν τέτοιο είδος αλγορίθμων αναφέρονται ως συστήματα δημιουργίας προτάσεων (recommendation systems) και έχουν ευρεία χρήση σε πληθώρα εμπορικών εφαρμογών. Οι αλγόριθμοι δημιουργίας συστάσεων απαιτούν μεγάλη υπολογιστική πολυπλοκότητα και ισχύ και ως επί το πλείστον καταλήγουν να είναι χρονοβόροι και ενεργειακά σπάταλοι εξαιτίας του τεράστιου όγκου δεδομένων που καλούνται να διαχειριστούν, με αποτέλεσμα η επίδοση τους να προβληματίζει κατά την εκτέλεσή τους σε τυπικές CPUs. Μία εναλλακτική λύση που προτείνεται είναι η υλοποίηση αλγορίθμων υψήλης έντασης σε επαναδιαμορφούμενες αρχιτεκτονικές ειδικού σκοπού (FPGAs). Αντικείμενο τη διπλωματικής εργασίας είναι η μελέτη και η ανάλυση συστημάτων συστάσεων συνεργατικού φιλτραρίσματος με στόχο την υλοποίηση και βελτιστοποίηση των αλγόριθμων προτάσεων χρησιμοποιώντας επαναδιαμορφούμενες αρχιτεκτονικές (FPGAs) κάνοντας χρήση των εργαλείων HLS. Η παρούσα διπλωματική εργασία επικεντρώνεται στο να καταδείξει ότι οι FPGAs αποτελούν μια αξιοσημείωτη επιλογή για την επίτευξη υψηλής απόδοσης σε συνδιασμό με χαμηλή ενεργειακή κατανάλωση τόσο σε σύγκριση με κλασσικές CPU όσο και GPUs.