Une petite équipe d'étudiants bat les chercheurs de Google en créant un algorithme d'IA plus performant
Selon un benchmark important
Le 2018-08-16 01:34:21, par you.baddi, Membre éclairé
Une petite équipe d'étudiants en codage IA sur Fast.ai (une petite unité qui propose des cours en ligne gratuits en machine learning) vient juste de battre les chercheurs de Google en créant un algorithme d'IA plus performant.
Ces codeurs sont des étudiants à temps partiel chez Fast.ai qui sont simplement enthousiastes du machine learning et cherchent une carrière dans la science des données (data science). La performance du code créé par ces étudiants a été mesurée en utilisant un test de référence de chercheurs de Stanford appelé "DAWNBench". Ils utilisent une tâche de classification d'image commune pour suivre la vitesse d'exécution d'un algorithme d'apprentissage profond. Ces classements étaient auparavant dominés par les chercheurs de Google pour la catégorie de formation sur différentes machines. Ils ont utilisé une collection personnalisée de puces spécialement conçues pour l'apprentissage automatique, mais l'équipe de Fast.ai a réussi à obtenir des résultats plus rapides sur un matériel similaire.
L’équipe a réussi à battre Google parce qu’elle s’est occupée de choses simples, comme s’assurer que les images utilisées dans l’algorithme d’entraînement étaient correctement rognées. Jeremy Howard, l'un des fondateurs de Fast.ai, a déclaré : « Ce sont des choses stupides et évidentes que beaucoup de chercheurs ne penseraient même pas à faire ». Les codeurs de Fast.ai ont formé l'algorithme sur la « base de données ImageNet en 18 minutes à l'aide de 16 instances Amazon Web Service, pour un coût de calcul total d'environ 40 $. » Selon Howard, ce résultat est presque 40 % plus efficace que l’algorithme de Google, mais il admet également que cette comparaison n’est pas simple, car le matériel utilisé est différent. Néanmoins, cette réalisation est assez significative, car elle permet d’écarter la notion commune selon laquelle la recherche avancée en IA est une tâche limitée à ceux qui ont des ressources énormes.
source: technologyreview.com
Ces codeurs sont des étudiants à temps partiel chez Fast.ai qui sont simplement enthousiastes du machine learning et cherchent une carrière dans la science des données (data science). La performance du code créé par ces étudiants a été mesurée en utilisant un test de référence de chercheurs de Stanford appelé "DAWNBench". Ils utilisent une tâche de classification d'image commune pour suivre la vitesse d'exécution d'un algorithme d'apprentissage profond. Ces classements étaient auparavant dominés par les chercheurs de Google pour la catégorie de formation sur différentes machines. Ils ont utilisé une collection personnalisée de puces spécialement conçues pour l'apprentissage automatique, mais l'équipe de Fast.ai a réussi à obtenir des résultats plus rapides sur un matériel similaire.
L’équipe a réussi à battre Google parce qu’elle s’est occupée de choses simples, comme s’assurer que les images utilisées dans l’algorithme d’entraînement étaient correctement rognées. Jeremy Howard, l'un des fondateurs de Fast.ai, a déclaré : « Ce sont des choses stupides et évidentes que beaucoup de chercheurs ne penseraient même pas à faire ». Les codeurs de Fast.ai ont formé l'algorithme sur la « base de données ImageNet en 18 minutes à l'aide de 16 instances Amazon Web Service, pour un coût de calcul total d'environ 40 $. » Selon Howard, ce résultat est presque 40 % plus efficace que l’algorithme de Google, mais il admet également que cette comparaison n’est pas simple, car le matériel utilisé est différent. Néanmoins, cette réalisation est assez significative, car elle permet d’écarter la notion commune selon laquelle la recherche avancée en IA est une tâche limitée à ceux qui ont des ressources énormes.
source: technologyreview.com
-
JipétéExpert éminent séniorle 16/08/2018 à 8:31
-
halaster08Expert confirmé@Jipété
Similaire ne veux pas dire identique.
Ils ont jugés leur matériel suffisamment proche pour pouvoir faire la comparaison, mais reconnaissent que le résultat aurait pu être différent (en mieux ou en moins bien) si il l'avait fait sur du matériel identique.
A mon avis ils anticipent la réponse de Google qui va dire que la comparaison n'est pas valide car le matériel est différentle 16/08/2018 à 9:23 -
olibiobusMembre du ClubOn peut se passer de Google, d'Amazon, etc ... et de leurs armadas de serveurs. Nul besoin de puissance de calcul énorme pour faire preuve d'intelligence. Et c'est heureux pour le commun des mortels.
Je voudrais aussi dire que l'urgence de la lutte contre le réchauffement climatique a peu de chances d'être réalisée avec des serveurs énergivores ! Ce n'est plus l'heure de réfléchir, de se triturer les méninges parfois pour rien. C'est l'heure d'agir avec ses petits bras et ses convictions ... tout de suite ! Je regretterais presque d'avoir écrit ce message consommateur de ressources !le 24/08/2018 à 18:17 -
marsupialExpert éminentJe crois que Google reste dans la course.le 16/08/2018 à 10:52
-
Anselme45Membre extrêmement actifSuper! Ils ne leur restent donc plus qu'à détrôner Google de sa position dominante dans le monde du numérique...Une petite équipe d'étudiants en codage IA sur Fast.ai (une petite unité qui propose des cours en ligne gratuits en machine learning) vient juste de battre les chercheurs de Google en créant un algorithme d'IA plus performant.
Vu leur supériorité, cela ne devrait être qu'un détail... Les dirigeants de Google en tremblent déjàle 16/08/2018 à 11:26 -
onilink_Membre émériteLe but de ce genre de benchmark n'est pas justement d'utiliser des dataset identiques, mais de jouer sur l'architecture du réseau pour optimiser les résultats?
Car le coup de découper la zone d’intérêt d'une image, ce n'est pas vraiment une nouveauté. Ce genre de technique existe au moins depuis 20 ans, vu que c'est ce qu'on utilisait pour améliorer la reconnaissance de digits.
Et c'est aussi très utilisé en reconnaissance d'image en général...
Ou sinon y a un truc qui m'échappe, mais j'ai pas l'impression qu'y ai besoin d'en faire tout un article.
@marsupial
Ça c'est super intéressant par contre.le 16/08/2018 à 12:45 -
ShigruMNouveau Candidat au Cluble plus important dans ce genre d'implémentation et je crois le hardware justement.
les asic optimisé pour le calcul matriciel par exemple sont très performante pour résoudre ces problèmes plus que du matos standard alias CPU intel et GPU Nvidiale 16/08/2018 à 13:07 -
programmeurzMembre à l'essaiMais auront-ils assez de moyens pour pouvoir developper et repandre leurs methodes ???
mais cest deja beau le 16/08/2018 à 18:11 -
MadScratchyMembre actifJe pense que pour faire vraiment une évaluation correcte entre les 2 algorithmes (on passe sur le matériel similaire), il faut aussi les mêmes données en entrée/apprentissage.L’équipe a réussi à battre Google parce qu’elle s’est occupée de choses simples, comme s’assurer que les images utilisées dans l’algorithme d’entraînement étaient correctement rognées
En effet comment se serait comporté l'algo de Google avec les mêmes images rognées/optimisées ?le 16/08/2018 à 20:55 -
KapeutiniMembre actifC'est une bonne nouvelle, cela veut dire que nous pourrons battre les Chinois :-)
je vais jeter un oeil sur fast.ai, merci pour l'infole 31/08/2018 à 14:32