XLR IA

Introduction a l’Intelligence artificielle

 

Intelligence Artificielle (IA), Machine Learning (ML ou apprentissage automatique), Deep Learning (DL ou apprentissage profond)… a quoi correspondent-ils exactement? Et pourquoi ces termes sont très a la mode en ce moment ?

 

Tout d’abord avant de voir ce qui est disponible pour répondre a ces différentes problématiques vous pouvez trouver ci-dessous une explication vous permettant appréhender ces différentes notions.

 

De façon basique le Deep Learning est une branche du Machine Learning qui lui même est une partie de l’Intelligence Artificielle.

 

L’IA est une discipline scientifique qui a pour but de simuler « l’intelligence humaine » grâce a l’informatique. Elle est composée de plusieurs disciplines comme le Machine Learning ou le Deep Learning.

 

Ces disciplines bien que relativement anciennes (développées dans les années 50) connaissent ces jours-ci un fort développement dû aux nouvelles infrastructures hardware qui ont vu le jour récemment comme les GPU, les accélérateurs graphiques créés par Nvidia et AMD. L’IA se base sur une analyse et un apprentissage provenant d’un grand nombre de données. L’avènement du big data, de bases de données importantes, qu’elles soient composées d’images, de sons,  de textes… et leur exploitation ont permis à ces technologies de se développer. Les GPU permettent d’exploiter un grand nombre de données en parallèle. Grâce a leur architecture, ils sont idéaux pour les phases d’apprentissage ou d’exploitation. C’est pourquoi ces technologies se développent fortement ces dernières années et ce dans tous les domaines : industriel, recherche ou de la vie quotidienne.

Machine Learning

 

Le Machine Learning, ou ML, est une discipline de l’intelligence artificielle dans laquelle on considère qu’à partir d’un grand nombre de données les ordinateurs et logiciels seront capables d’apprendre par eux-mêmes. Cette discipline est basées sur des algorithmes de décision (arbre,  régression linéaire, détection des voisins les plus proches, séparateurs a vaste marge, réseaux de neurones…). Ces derniers, les réseaux de neurones, font partie d’une sous disciplines du ML, le Deep Learning (apprentissage profond).

 

Deep Learning :

 

Dans l’apprentissage profond il existe deux parties : la phase d’apprentissage proprement dite et une phase d’inférence. Ces deux parties sont basées sur des techniques de réseaux de neurones profonds (Deep Neural Nets ou DNN). Ces technologies connaissent un grand essor ces dernières années dû au très grand nombre de données disponibles (internet, Big Data…) et l’avènement de technologies permettant de les traiter rapidement comme les GPU de Nvidia. Un grand nombre de cœurs de calcul travaillant en parallèle, c’est une solution parfaite pour le DNN et l’inférence.

 

Software :

 

Il existe un grand nombre de librairies, softwares ou frameworks qui couvrent différents domaines d ‘application. Carri Systems vous propose des systèmes pré-installés et prêts à l’emploi.

 

Pourquoi utiliser des GPU ? Nvidia a développé des librairies spécifiques pour accélérer les phases d’apprentissage et de déploiement comme CuDNN et CuBlast.  D’autre part un certain nombre de frameworks ont été optimisés pour les systèmes équipés de GPU qu’ils soient a base de processeurs Intel X86 ou IBM Power.

 

Sur systèmes a base X86 vous pouvez trouver la stack Nvidia avec :

Vous pouvez télécharger ces Frameworks a l’adresse suivante:

 

https://developer.nvidia.com/deep-learning-frameworks

 

D’autre part DIGITS :

Sur systèmes Power vous pouvez aussi trouver une large collection de framework sous le nom de PowerAI

Bien entendu cette liste n’est pas exhaustive.

 

Hardware :

 

Carri Systems vous propose un grand choix de systèmes pré-installés et prêt à l’emploi. De la machine de développement au serveur ce qui vous permet d’avoir accès au système le plus optimal pour vos expérimentations ou mises en production dans l’apprentissage ou l’inférence.