Otimizando Aplicações de Aprendizado Profundo na Cloud

• Thiago Araújo UFRGS
• Cristiano Künas UFRGS
• Philippe Navaux UFRGS
• Mateus dos Reis Feevale
• Beatriz Schaan UFRGS / HCPA

DOI: https://doi.org/10.5753/eradrs.2024.238667

Resumo

Aprendizagem profunda (DL) demonstrou êxito na detecção de padrões em imagens e conjuntos tabulares, mas seu processo de treinamento é computacionalmente dispendioso e demorado. A computação em nuvem surge como uma alternativa econômica, aproveitando aceleradores como GPUs e TPUs. Este estudo aborda o treinamento de um modelo para predizer o encaminhamento de casos graves de retinopatia diabética a especialistas, utilizando dados de pacientes brasileiros e realizando experimentos na nuvem. A avaliação de desempenho indicou uma redução de 36% no tempo de execução com o uso de TPUs, ressaltando a atratividade da computação em nuvem em aplicações de DL, especialmente com hardware dedicado.

Referências

Künas, C. A., Serpa, M. S., and Navaux, P. O. (2023). Exploiting Hardware Accelerators in Clouds. In High Performance Computing in Clouds: Moving HPC Applications to a Scalable and Cost-Effective Environment, pages 127–144. Springer.

Moreira, F., Schaan, B., Schneiders, J., Reis, M., Serpa, M., and Navaux, P. (2020). Impacto da resoluçao na detecçao de retinopatia diabética com uso de deep learning. In Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 494–499. SBC.

Voets, M., Møllersen, K., and Bongo, L. A. (2019). Reproduction study using public data of: Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. PloS one, 14(6):e0217541.