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 le gouvernement espagnol collaborent pour faire progresser la stratégie nationale en matière d'IA et créer les meilleurs modèles d'IA au monde en langue espagnole
-
IBM annonce la disponibilité du modèle d'IA Open-Source Mistral sur watsonx et élargit son choix de modèles pour aider les entreprises à mettre l'IA à l’échelle avec confiance et flexibilité
-
Wipro et IBM étendent leur partenariat pour offrir aux entreprises une gamme de services IA à forte valeur ajoutée
-
Les données suggèrent que la croissance de l'adoption de l'IA par les entreprises est due à un déploiement généralisé par les utilisateurs pionniers, mais que des obstacles maintiennent 45 % d'entre elles dans les phases d'exploration et d'expériment
-
Etude IBM : Le mécontentement des consommateurs à l'égard des achats en magasin se généralise. Les consommateurs sont favorables à des achats pilotés par l'IA dans un contexte économique difficile
