Des milliards de dispositifs connectés déployant de l’IA sont déjà utilisés aujourd'hui. Toutefois, leurs modèles traditionnels d'IA ne sont pas toujours conçus pour répondre aux contraintes spécifiques des dispositifs connectés. Ils sont par exemple limités par leur espace de mémoire, leur consommation énergétique ou encore leur temps de réaction.
Dans une voiture autonome par exemple, un réseau neuronal de pointe peut être en mesure d'identifier un humain traversant la rue la nuit avec grande précision. Cependant, l’identification de la personne prendrait probablement trop de temps pour prévenir un accident.
En se concentrant sur les contraintes de performance clés d'un cas d'utilisation donné, le nouvel algorithme d’IBM rationalise la recherche de modèles adaptés de réseaux neuronaux profonds. Sans avoir à utiliser des données d'apprentissage durant la phase de synthèse de l'algorithme. Dans le scénario d'une voiture autonome, les modèles de classification d'images synthétisées d’IBM fonctionneraient en quelques millisecondes, laissant suffisamment de temps au véhicule pour éviter un piéton.
Lors des tests effectués jusqu'à présent, la nouvelle recherche d'architecture de réseau neuronal profond s'est révélée capable de générer des modèles IA efficaces capables de fonctionner sur du matériel peu coûteux et d'atteindre une plus grande précision que les alternatives disponibles. Cette technologie peut également s'appliquer à de multiples dispositifs connectés différents, offrant ainsi une nouvelle façon de rationaliser les systèmes back-end.
Dans une voiture autonome par exemple, un réseau neuronal de pointe peut être en mesure d'identifier un humain traversant la rue la nuit avec grande précision. Cependant, l’identification de la personne prendrait probablement trop de temps pour prévenir un accident.
En se concentrant sur les contraintes de performance clés d'un cas d'utilisation donné, le nouvel algorithme d’IBM rationalise la recherche de modèles adaptés de réseaux neuronaux profonds. Sans avoir à utiliser des données d'apprentissage durant la phase de synthèse de l'algorithme. Dans le scénario d'une voiture autonome, les modèles de classification d'images synthétisées d’IBM fonctionneraient en quelques millisecondes, laissant suffisamment de temps au véhicule pour éviter un piéton.
Lors des tests effectués jusqu'à présent, la nouvelle recherche d'architecture de réseau neuronal profond s'est révélée capable de générer des modèles IA efficaces capables de fonctionner sur du matériel peu coûteux et d'atteindre une plus grande précision que les alternatives disponibles. Cette technologie peut également s'appliquer à de multiples dispositifs connectés différents, offrant ainsi une nouvelle façon de rationaliser les systèmes back-end.
Autres articles
-
IBM et Palantir s'associent pour aider les entreprises à déployer facilement des applications d'intelligence artificielle puissantes et ouvertes et à déverrouiller des données précieuses dans les environnements de cloud hybride
-
Atos et IBM collaborent pour mettre l’intelligence artificielle et Red Hat OpenShift au service de la transformation des entreprises
-
IBM va acquérir Instana pour renforcer sa stratégie basée sur le Cloud hybride et l'IA
-
IBM, l’Université Paris-Saclay, Softeam, Decisionbrain et STET s’allient pour créer «AIDA», un projet structurant pour la compétitivité des entreprises françaises visant à positionner la France en leader de l'IA opérationnelle en entreprise
-
Rapport IBM : La compromission des comptes d’employés a entraîné les violations de données les plus coûteuses au cours de l'année écoulée