Computación paralela aplicada a la detección de anormalidades en la fermentación vínica mediante máquinas de soporte vectorial

Abstract

Las diferentes ciencias, la industria, los investigadores, etc., están produ- ciendo un creciente volumen de datos. La producción y análisis eficiente de los datos son clave para futuros descubrimientos. En diferentes ocasiones estos datos deben ser clasificados, y a partir de esta clasificación, se toman diferentes decisiones dentro de determinada área. Las máquinas de soporte vectorial surgen como modelo de aprendizaje supervisado que hace uso de las diferentes características del problema, para la clasificación de futuros datos de la misma índole. A pesar de que las arquitecturas actuales en las computadoras son eficientes, el tiempo de cómputo de la implementación de una SVM puede ser alto, segín la cantidad de ejemplos de entrenamiento que se tengan para construir el modelo y su cantidad de características del problema. Para soportar este problema, varias estrategias e implementaciones han sido propuestas con cierto impacto en el rendimiento de cómputo. Aun así, escasos trabajos se han realizado en el ambiente de arquitecturas híbridas que soporten aceleradores como GPUs. En éste trabajo, se propone una solución para reducir el tiempo de computo, mediante la implementación de la LIBSVM (librería que implementa algoritmos para máquinas de soporte vectorial) haciendo uso de estándares de programación paralela como OpenACC, OpenMP, MPI. Dicha solución se enfoca en el uso de recursos computacionales de la máquina y en los procesos concurrentes de la librería. El producto de este trabajo no sólo asegura un procesamiento masivo de datos en un tiempo considerablemente bajo, sino también la fidelidad en los resultados obtenidos por este.