Placer l'intelligence artificielle au plus près de l'événement à surveiller

Le 19/11/2019 à 14:00  

E n un peu plus de dix ans, depuis que les chercheurs ont découvert de nouvelles techniques pour améliorer l'efficacité de l'apprentissage en profondeur ( deep learning ), ce dernier est devenu une technologie pratique qui constitue désormais la base d'un certain nombre d'applications faisant appel à l'intelligence artificielle (IA). Beaucoup de ces applications sont hébergées dans le cloud par l'intermédiaire de puissants serveurs. En effet, ces tâches impliquent parfois le traitement de sources comportant un très grand nombre de données, telles que des images, des vidéos et des fichiers audio. Ces serveurs font souvent appel aux performances supplémentaires fournies par les matériels d'accélération, qui s'étendent des unités de traitement graphique aux dispositifs personnalisés. Cela devient particulièrement important lors de processus qui exigent des calculs intensifs au cours desquels un réseau neuronal est formé à partir de nouvelles données.

Pour de nombreuses applications industrielles, la fiabilité et la rapidité de la connexion au cloud posent des problèmes. En effet, de nombreux systèmes ne disposent pas des connexions à large bande passante nécessaires pour prendre en charge l'inférence basée dans le cloud.

En règle générale, les processus d'inférence qui utilisent un réseau formé pour évaluer de nouvelles données effectuent beaucoup moins de calculs que les processus formés. On trouve également des charges de travail impliquant des sources faisant appel à un volume plus faible de données, telles que les lectures de capteurs de dispositifs IoT, où la formation et l'inférence peuvent être effectuées sur du matériel moins performant. En conséquence, les concepteurs de systèmes constatent que les charges de travail ne doivent pas nécessairement être situées sur le cloud une fois le modèle d'IA formé, bien que de nombreux services actuels s'y trouvent encore pour des raisons commerciales. Au lieu de cela, le modèle formé peut être transféré vers une machine locale pour un traitement plus proche de la source des données.

La lecture de cet article est payante.
Connectez-vous ou abonnez-vous pour y accéder.

Dans la même rubrique

Copy link
Powered by Social Snap