Les appareils intelligents deviennent de plus en plus intelligents et exigent de plus en plus du matériel. Comment s'assurer que ces appareils sont compatibles avec l'intelligence artificielle nécessaire à leur fonctionnement, sans avoir à augmenter la capacité matérielle ? C'est ce que Nesma Rezk, Ph.D. en informatique et ingénierie, a fait des recherches dans sa thèse.

La thèse de Nesma Rezk porte sur l'implémentation d'applications de deep learning sur des plateformes embarquées, c'est-à-dire tout type de système informatique ayant une fonction dédiée, comme une montre connectée ou une voiture autonome. L'apprentissage en profondeur est un type de technique d'intelligence artificielle (IA) qui enseigne aux ordinateurs à apprendre par l'exemple. Cette technique est par exemple ce qui permet à une voiture sans conducteur de reconnaître différents panneaux de signalisation, et la technologie peut être trouvée dans tout, des gadgets intelligents pour la maison aux instruments de santé.

"La technique soulève des questions sur la façon dont vous pouvez utiliser ces implémentations, garantir leur efficacité et faire face aux avancées technologiques des algorithmes d'apprentissage en profondeur qui sont continuellement développés pour être plus intelligents", déclare Rezk.

Active l'IA dans la vie quotidienne

Même s'il existe des plates-formes matérielles avancées offrant des performances puissantes, les exigences élevées des modèles d'apprentissage en profondeur pour les ressources de calcul et de mémoire du matériel posent toujours un défi - et si le matériel et les modèles ne sont pas suffisamment compatibles, cela peut limiter l'efficacité des implémentations résultantes. .

Rezk a été surpris de voir que dans de nombreux cas, il était possible de compresser le modèle d'apprentissage en profondeur à moins d'un quart de sa taille d'origine, et que le modèle fonctionne toujours correctement.

"Les applications d'apprentissage en profondeur ne doivent pas être déployées directement sur des systèmes embarqués. Une étape préalable appelée optimisation algorithmique doit être appliquée en premier. Les optimisations algorithmiques sont des méthodes qui réduisent les exigences des applications d'apprentissage en profondeur pour permettre de les exécuter sur des plates-formes à ressources limitées tout en gardant qu'ils fonctionnent correctement », explique-t-elle.

Rezk pense que ses recherches peuvent faire partie du lien entre l'apprentissage en profondeur et notre vie quotidienne.

"En réalisant des applications d'apprentissage en profondeur sur des plateformes embarquées et en rendant cette réalisation efficace, rapide et robuste, nous pouvons intégrer l'IA dans tous les aspects de notre vie quotidienne", dit-elle.