Praca będzie koncentrować się na zastosowaniu frameworka Horovod w celu optymalizacji i zwiększenia wydajności obliczeń w aplikacjach służących do wykrywania anomalii (konkretnego zbioru danych). Horovod zajmuje się uczynieniem procesu głębokiego uczenia (deep learning) rozproszonym, aby zwiększyć wydajność obliczeń i równocześnie ułatwić korzystanie z niego. Horovod to zestaw narzędzi dla TensorFlow, Keras, PyTorch i MXNet. Głównym założeniem Horovod jest uczynienie procesu deep learning rozproszonym, aby zwiększyć wydajność obliczeń i równocześnie ułatwić korzystanie z niego.