@thesis{Emme2022, author = {Emme, Till}, title = {Verteiltes KI-Training im Beowulf-Cluster: DNN-Basierte Spracherkennung}, publisher = {Technische Hochschule Ingolstadt}, address = {Ingolstadt}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:573-33961}, pages = {85}, school = {Technische Hochschule Ingolstadt}, year = {2022}, abstract = {In dieser Arbeit wurde ein System implementiert, mit dem sowohl die Vorverarbeitung als auch das Training von Modellen der automatischen Spracherkennung (ASR) parallelisiert innerhalb eines Beowulf-Clusters ausgef{\"u}hrt werden kann. Ausgangspunkt f{\"u}r dieses System ist das Spracherkennungs-Framework Kaldi, welches als de-facto Standard in der Industrie gilt. Da Kaldi nach eigener Analyse nur wenige M{\"o}glichkeiten f{\"u}r eine Verteilung des Trainings eines ASR-Modells auf mehrere Rechner bietet, kann das Training eines großen Modells auf einem einzelnen Rechner zu hohen Kosten f{\"u}hren, da leistungsstarke Hardware und große GPUs f{\"u}r das Training ben{\"o}tigt werden. Das in dieser Arbeit implementierte System erlaubt ein verteiltes Training solcher Modelle in einem Cluster aus Commodity-Hardware und hilft somit dabei, die Kosten f{\"u}r das Training großer Modelle zu reduzieren und existierende Hardware f{\"u}r das Training verwenden zu k{\"o}nnen. Das Hauptaugenmerk des Systems liegt dabei auf einem hohen Grad an Skalierbarkeit. Außerdem erm{\"o}glicht das System eine Vergr{\"o}ßerung des verwendeten Rechen-Clusters auf einfache Art und Weise. Um zus{\"a}tzlich eine schnelle Integration von neu entwickelten ASR-Modellen zu erlauben, wurde bei der Entwicklung des Systems auf eine hohe Erweiterbarkeit geachtet.}, language = {de} }