Au cours de la dernière décennie, l’apprentissage automatique a connu une croissance extrêmement rapide. Cette croissance est alimentée par l’Internet, qui génère d’immenses quantités de données. Le désir d’extraire des modèles de ces données et d’appliquer toutes ces connaissances pour effectuer des prédictions a entraîné le développement de nouvelles approches et d’algorithmes. La croissance exponentielle de la puissance de calcul a permis de mettre en œuvre ces algorithmes sur d’énormes ensembles de données et de faire des prévisions utiles. Les réseaux de neurones profonds (Deep Neural Networks - DNN) sont à la pointe du domaine de l’apprentissage automatique. Ces algorithmes ont été appliqués dès le début à des tâches telles que la reconnaissance d’écriture sur les chèques bancaires, mais sont aujourd’hui utilisés dans bien d’autres domaines : la reconnaissance d’image, de vidéo, le traitement du langage naturel, ainsi que pour résoudre des problèmes complexes de compréhension visuelle tels que ceux posés par la conduite autonome.
Les DNN sont très exigeants en termes de ressources de calcul et le volume de données qu’ils doivent traiter. S’attaquer à cette complexité nécessite donc des éléments bien optimisés pour réduire le temps d’apprentissage et répondre aux besoins de l’application industrielle.
Intel travaille donc en étroite collaboration avec de grands établissements universitaires ainsi que des industriels dans le but résoudre les défis de l’architecture matérielle et logicielle des futures plateformes de calcul multicore. Pour aider les développeurs à s’attaquer à la complexité de l’apprentissage automatique, Intel met à leur disposition des moyens d’optimisation de performances via des outils logiciels Intel, notamment au travers de la bibliothèque Intel Data Analytics Acceleration Library (Intel DAAL) et la bibliothèque Intel Math Kernel Library (Intel MKL).
Le MKL de Intel est une bibliothèque mathématique à haute performance pour architectures Intel et autres architectures compatibles. Cette bibliothèque fournit des implémentations de routines d’algèbre linéaire communes denses et dispersées, des transformées de Fourier discrètes, des mathématiques vectorielles et des fonctions statistiques optimisées pour les processeurs Intel actuels et futurs. Intel MKL s’appuie sur un parallélisme au niveau de l’instruction, du thread et du cluster pour augmenter les performances de nombreuses applications scientifiques, techniques et financières sur les postes de travail, les serveurs et les supercalculateurs.
En ce qui concerne Intel DAAL, il s'agit d'une bibliothèque d’accélération d’analyses de données. Cette bibliothèque de performance vient répondre aux trois principaux défis du Big Data à savoir :
- la variété, qui fait référence aux nombreuses sources et aux types de données structurées et non structurées qui créent des défis quant à l’extraction des données et leur analyse ;
- la vélocité : la vitesse de calcul est essentielle. Le Big Data se produit en temps réel et nécessite un temps de réponse rapide ;
- le volume : le Big Data implique d’énormes volumes de données, parfois si grands que les données ne peuvent tenir en mémoire.
À travers un livre blanc intitulé "Libérez le pouvoir du Big Data et du machine learning", Intel présente ses bibliothèques de performance et illustre comment elles peuvent accélérer l’apprentissage automatique et le Big Data. Le livre blanc est disponible gratuitement en téléchargement.
Télécharger le livre blanc "Libérez le pouvoir du Big Data et du machine learning"