Intelligence artificielle a fait des progrès incroyables, mais il a souvent besoin de quantités absurdes de données et de puissance informatique pour y parvenir. Désormais, certains chercheurs en IA s’efforcent de rendre la technologie aussi efficace que possible.

La semaine dernière, des chercheurs ont montré qu’il était possible de presser un puissant algorithme de vision AI sur une simple puce informatique de faible puissance pouvant fonctionner pendant des mois sur une batterie. L’astuce pourrait aider à apporter des capacités d’intelligence artificielle plus avancées, telles que la reconnaissance d’image et de voix, aux appareils ménagers et aux appareils portables, ainsi qu’aux gadgets médicaux et aux capteurs industriels. Cela pourrait également aider à garder les données privées et sécurisées en réduisant le besoin d’envoyer quoi que ce soit vers le cloud.

«Ce résultat est très excitant pour nous», déclare Song Han, professeur adjoint au MIT qui dirige le projet. Bien que le travail soit une expérience de laboratoire pour l’instant, il «peut rapidement passer à des appareils du monde réel», dit Han.

Les microcontrôleurs sont des puces informatiques relativement simples, peu coûteuses et de faible puissance trouvées dans des milliards de produits, y compris les moteurs de voiture, les outils électriques, les télécommandes de télévision et les implants médicaux.

image de l'article

Le guide WIRED de l’intelligence artificielle

Les algorithmes supersmart ne prendront pas tous les emplois, mais ils apprennent plus vite que jamais, allant des diagnostics médicaux à la diffusion d’annonces.

Les chercheurs ont essentiellement conçu un moyen de réduire les algorithmes d’apprentissage en profondeur, de grands programmes de réseau de neurones qui imitent vaguement la façon dont les neurones se connectent et se déclenchent dans le cerveau. Au cours de la dernière décennie, l’apprentissage en profondeur a propulsé d’énormes progrès dans l’IA, et c’est le fondement du boom actuel de l’IA.

Les algorithmes d’apprentissage en profondeur fonctionnent généralement sur des puces informatiques spécialisées qui divisent les calculs parallèles nécessaires pour former et faire fonctionner le réseau plus efficacement. La formation du modèle de langage connu sous le nom de GPT-3, qui est capable de générer un langage convaincant à l’invite, nécessitait l’équivalent de puces IA de pointe fonctionnant à plein régime pendant 355 ans. De telles utilisations ont conduit à une augmentation des ventes de GPU, de puces bien adaptées à l’apprentissage en profondeur, ainsi qu’à un nombre croissant de puces spécifiques à l’IA pour les smartphones et autres gadgets.

La nouvelle approche de recherche comporte deux volets. Tout d’abord, les chercheurs utilisent un algorithme pour explorer les architectures de réseaux neuronaux possibles, à la recherche de celle qui correspond aux contraintes de calcul du microcontrôleur. L’autre partie est une bibliothèque logicielle compacte et économe en mémoire pour faire fonctionner le réseau. La bibliothèque est conçue de concert avec l’architecture du réseau, pour éliminer la redondance et tenir compte du manque de mémoire sur un microcontrôleur. «Ce que nous faisons, c’est comme trouver une aiguille dans une botte de foin», dit Han.

Les chercheurs ont créé un algorithme de vision par ordinateur capable d’identifier 1 000 types d’objets dans les images avec une précision de 70%. Les meilleurs algorithmes de faible puissance précédents n’atteignaient qu’une précision d’environ 54%. Il a également requis 21% de la mémoire et réduit la latence de 67% par rapport aux méthodes existantes. L’équipe a montré des performances similaires pour un algorithme d’apprentissage en profondeur qui écoute un «mot de réveil» particulier dans un flux audio. Han dit que de nouvelles améliorations devraient être possibles en affinant les méthodes utilisées.

Silhouette d'un humain et d'un robot à jouer aux cartes

Le secret de l’apprentissage automatique? Enseignants humains

«C’est en effet assez impressionnant», déclare Jae-sun Seo, professeur associé à l’Arizona State University qui travaille sur l’apprentissage automatique aux ressources limitées.

«Les applications commerciales pourraient inclure des lunettes intelligentes, des dispositifs de réalité augmentée qui exécutent en permanence la détection d’objets», explique Seo. «Et les appareils de périphérie avec reconnaissance vocale sur l’appareil sans se connecter au cloud.»

John Cohn, chercheur au MIT-IBM Watson AI Research Group et membre de l’équipe derrière le travail, déclare que certains clients IBM sont intéressés par l’utilisation de la technologie. Il dit qu’une utilisation évidente serait dans les capteurs conçus pour prédire les problèmes avec les machines industrielles. Actuellement, ces capteurs doivent être mis en réseau sans fil afin que le calcul puisse être effectué à distance, sur un système plus puissant.

Une autre application importante pourrait être dans les dispositifs médicaux. Han dit qu’il a commencé à travailler avec des collègues du MIT sur des appareils qui utilisent l’apprentissage automatique pour surveiller en permanence la pression artérielle.


Plus d’histoires WIRED