Vos recrutements informatiques

700 000 développeurs, chefs de projets, ingénieurs, informaticiens...

Contactez notre équipe spécialiste en recrutement

Google rend open source TensorFlow
Son tout nouveau système de machine learning

Le , par Michael Guilloux, Chroniqueur Actualités
Il y a quelques années, les applications de Google n’étaient « pas assez intelligentes » pour exécuter convenablement certaines requêtes des utilisateurs. Il n’était par exemple pas propice de parler à l’application Google dans un endroit bruyant, parce que tout bruit externe affectait de manière considérable le système de reconnaissance vocale. Mais aujourd’hui, cela s’est beaucoup amélioré grâce au machine learning sur lequel un nombre croissant de produits de Google est basé. Cela a permis à la firme de rendre ses applications plus intelligentes, mais elle compte atteindre des résultats plus pertinents avec son nouveau système de machine learning baptisé TensorFlow.

S’il est encore à ses débuts, TensorFlow de l’équipe Google Brain est déjà utilisé pour la reconnaissance vocale dans l’application Google ou pour chercher dans Google Photos. Il est aussi utilisé pour Smart Reply, une fonctionnalité récemment introduite dans l’application Inbox, qui est capable d’analyser des messages reçus et proposer des réponses à l’utilisateur.

« TensorFlow est plus rapide, plus intelligent et plus souple que notre ancien système, de sorte qu’il peut être adapté plus facilement à de nouveaux produits et à la recherche », explique Sundar Pichai, PDG de Google. « C'est un système de machine learning hautement évolutif - il peut fonctionner sur un simple smartphone ou à travers des milliers d’ordinateurs dans les datacenters », a-t-il ajouté.

TensorFlow permet la construction de réseaux de neurones jusqu’à cinq fois plus vite par rapport à l’ancien système de Google, ce qui garantit donc qu’il peut être utilisé pour améliorer les applications plus rapidement. Toutefois, même avec ces performances, le PDG de Google reconnaît que le machine learning n’est qu’à un stade précoce au point où « les ordinateurs d’aujourd’hui ne peuvent toujours pas faire ce qu’un enfant de quatre ans peut faire sans effort ». Pour cette raison, la société rend l’outil open source pour permettre à la communauté du machine learning de progresser rapidement dans les recherches, en échangeant des idées sur un code qui marche, plutôt que de s’établir juste sur des documents de recherche.

Dans un message Google+, Vincent Vanhoucke, chercheur chez Google décrit TensorFlow comme un framework de deep learning, une branche du machine learning, qui vient avec une interface Python facile à utiliser, et qui prend également en charge le langage C++. Le support de bien d’autres langages est également prévu dans le système de Google.

Essayez TensorFlow

Sources : Blog Google, Google+, Google Git

Et vous ?

Qu’en pensez-vous ?

Voir aussi

Forum Intelligence artificielle
Forum Statistiques prédictives


Vous avez aimé cette actualité ? Alors partagez-la avec vos amis en cliquant sur les boutons ci-dessous :


 Poster une réponse

Avatar de ChristianRoberge ChristianRoberge - Membre habitué https://www.developpez.com
le 14/11/2015 à 14:12
Il y a 30 ans lors du début de ma carrière, on parlait beaucoup des réseaux neuronaux, Voir est de constater que malgré quelques succès cette technologie n'a jamais véritablement percé. Cette ouverture me semble un autre "ultime" effort pour faire fonctionner cette technologie. Pour le moment j'attendrais avant de se lancer dans cette avenue technologique, des percées vraiment percutantes. Les preuves restent toujours à faire...
Avatar de dourouc05 dourouc05 - Responsable Qt https://www.developpez.com
le 14/11/2015 à 16:10
En effet, les réseaux neuronaux d'il y a trente ans ne sont pas exactement à la pointe de la technologie. Par contre, quelques améliorations les portent au devant de la scène, sous le sobriquet de techniques d'apprentissage profond (avec des réseaux convolutionnels profonds, notamment). Maintenant, évidemment, tout dépend du domaine d'application.
Avatar de lilalex lilalex - Membre habitué https://www.developpez.com
le 15/11/2015 à 13:34
Cette technologie n'a jamais véritablement percé.
Sauf erreur de ma part, la reconnaissance d'images et de sons se fait via les réseaux neuronaux et les résultats sont assez bon.
Avatar de acx01b acx01b - Membre averti https://www.developpez.com
le 16/11/2015 à 2:06
les RNN (deep learning = réseau de neurone où les couches sont self-recurrent + couches convolutionnal + couches de long short-term memory...) ne sont qu'une petite partie de l'apprentissage automatique. apprenez à nommer vos articles.

Citation Envoyé par ChristianRoberge Voir le message
Il y a 30 ans lors du début de ma carrière, on parlait beaucoup des réseaux neuronaux, Voir est de constater que malgré quelques succès cette technologie n'a jamais véritablement percé. Cette ouverture me semble un autre "ultime" effort pour faire fonctionner cette technologie. Pour le moment j'attendrais avant de se lancer dans cette avenue technologique, des percées vraiment percutantes. Les preuves restent toujours à faire...
ça revient à la mode grâce à des succès : regarde http://karpathy.github.io/2015/05/21/rnn-effectiveness/ ou http://cs.stanford.edu/people/karpathy/convnetjs/

moi ça m'a convaincu pour étudier les nouvelles techniques d'apprentissage et de design de réseau de neurone qui ont largement progressé.
Avatar de Michael Guilloux Michael Guilloux - Chroniqueur Actualités https://www.developpez.com
le 17/02/2016 à 8:46
TensorFlow Serving : un outil open source de Google
Pour faciliter la mise en production des modèles de machine learning

En novembre dernier, Google a fait passer TensorFlow, son tout dernier système de machine learning, en open source. TensorFlow était encore à ses débuts en ce moment, alors que Google l’annonçait plus rapide, plus intelligent et plus souple que son ancien système de machine learning, de sorte qu’il peut être adapté plus facilement à de nouveaux produits et à la recherche.

TensorFlow permet la construction de réseaux de neurones jusqu’à cinq fois plus vite par rapport à l’ancien système de Google et est utilisé dans de nombreux produits de la firme. Il alimente par exemple la reconnaissance vocale dans l’application Google et est encore utilisé pour chercher dans Google Photos. Il est aussi utilisé pour Smart Reply, une fonctionnalité de l’application Inbox, qui est capable d’analyser des messages reçus et proposer des réponses à l’utilisateur.

Pour accompagner les développeurs qui utilisent déjà sa technologie de machine learning et intéresser de nombreux autres, Google vient encore de rendre open source un autre outil complémentaire baptisé TensorFlow Serving. Ce nouvel outil open source permet aux développeurs de déployer plus facilement leurs modèles de machine learning construits avec TensorFlow. D’après Noah Fiedel, un ingénieur de Google, « TensorFlow Serving rend plus facile et plus rapide le processus de mise en production d’un modèle », a-t-il expliqué dans un billet de blog. Il ajoute encore que TensorFlow Serving « vous permet de déployer en toute sécurité de nouveaux modèles et faire des tests tout en gardant les mêmes architecture de serveur et API ».

Il faut retenir que TensorFlow Serving est orienté vers la phase d’inférence. En d’autres termes, après que les développeurs aient formé leurs modèles sur de grands ensembles de données, TensorFlow Serving se charge de les rendre utilisables dans des environnements de production. Les développeurs pourront donc utiliser les API du nouvel outil open source pour tirer des conclusions sur la base de nouvelles données.

TensorFlow Serving est conçu pour s’exécuter nativement et de manière optimale avec le système de machine de learning de Google, TensorFlow. Toutefois, la société explique qu’il peut également supporter d’autres systèmes.

En ce qui concerne les performances de cet outil de mise en production des modèles de machine learning, Google met en avant sa capacité de gérer plus de 100 000 requêtes par seconde et par cœur sur une machine Xeon de 1  vCPU, selon ses benchmarks. Google note également que TensorFlow Serving peut faire usage de ressources GPU disponibles sur une machine pour accélérer le traitement.

Le code source de TensorFlow Serving est disponible sur GitHub sous la licence Apache 2.0. Google met également à votre disposition un certain nombre de tutoriels pour vous accompagner.

Sources : Google Open Source Blog, GitHub

Et vous ?

Avez-vous déjà utilisé TensorFlow ? Quelles sont vos impressions ?
Que pensez-vous de ce nouvel outil de mise en production des modèles de machine learning ?

Voir aussi

Google rend open source TensorFlow, son tout nouveau système de machine learning
Microsoft publie sa solution d'apprentissage profond pour la reconnaissance vocale, CNTK dépasse en rapidité les logiciels existants
Forum Intelligence artificielle
Forum Statistiques prédictives
Avatar de Stéphane le calme Stéphane le calme - Chroniqueur Actualités https://www.developpez.com
le 17/06/2017 à 9:34
Google publie l'API TensorFlow Object Detection pour faciliter l'identification des objets dans les images
aux développeurs

Google publie une nouvelle API de détection d'objets TensorFlow pour faciliter aux développeurs et chercheurs l’identification des objets dans les images. L'API TensorFlow Object Detection est un framework open source intégré à TensorFlow qui permet de construire, de former et de déployer facilement des modèles de détection d'objets, conçu pour supporter des modèles à la fine pointe de la technologie tout en permettant une exploration et une recherche rapides.

« Chez Google, nous développons des systèmes d'apprentissage machine (AM) à la fine pointe de la technologie pour une vision par ordinateur qui, non seulement peuvent être utilisés pour améliorer nos produits et nos services, mais également stimuler les progrès dans le milieu de la recherche. La création de modèles AM précis, capables de localiser et d'identifier de multiples objets dans une seule image, reste un défi majeur dans le domaine, et nous investissons beaucoup de temps dans la formation et l’expérimentation de ces systèmes », ont expliqué Jonathan Huang, Research Scientist et Vivek Rathod, Ingénieur logiciel.


Les collègues indiquent qu’en octobre dernier, ce système interne de détection d'objets a permis d'obtenir de meilleurs résultats et a obtenu la première place dans un défi de détection COCO (Common Objects in Context). Depuis lors, ce système a été évoqué par un certain nombre de publications de recherche et a été implémenté dans des produits Google tels que NestCam, les éléments similaires et les idées de style dans Recherche d'images et Numéro de rue ainsi que la détection de nom dans Street View.

Pour rappel, depuis le mois d’avril, Google a lancé la fonctionnalité « style idea » dans son application de recherche d’image sur Android pour inspirer les utilisateurs et leur proposer une grille d'images et de tenues de style de vie qui montrent comment le produit de leur choix peut être porté dans la vie réelle. « Avec “idées de style”, vous pouvez voir les options de la vie réelle de ce à quoi le sac et le jeans ont l'air avec ces talons hauts rouges que vous avez regardés. »

« En prime, vous verrez également un carrousel élargi pour des "articles similaires" lors de la recherche de produits d'habillement. Cela signifie que si vous recherchez des shorts et des baskets ou alors des lunettes de soleil et des sacs à main, vous pourrez trouver des offres de produits qui conviennent à vos goûts. La découverte d'une option de négociation sans sacrifier le style est désormais accessible depuis la recherche d'image. »


« Aujourd'hui, nous sommes heureux de mettre ce système à la disposition de la communauté de recherche plus large via l'API TensorFlow Object Detection », se sont-ils réjouis. « Nos objectifs dans la conception de ce système étaient de soutenir les modèles à la fine pointe de la technologie tout en permettant une exploration et une recherche rapides », ont-ils continué.

Cette première version contient une sélection de modèles de détection qui peuvent apprendre, parmi lesquels :
  • Single Shot Multibox Detector (SSD) avec MobileNets ;
  • SSD avec Inception V2 ;
  • Region-Based Fully Convolutional Networks (R-FCN) avec Resnet 101 ;
  • Faster RCNN avec Resnet 101 ;
  • Faster RCNN avec Inception Resnet v2.

Google assure que les modèles SSD qui utilisent MobileNet sont légers, de sorte qu'ils peuvent être exécutés de manière confortable en temps réel sur des appareils mobiles.

Cette première version contient également un cahier Jupyter pour effectuer des inférences prêtes à l'emploi avec l'un des modèles publiés par Google. Les collègues indiquent qu’elle s’accompagne également des scripts de formation locaux pratique ainsi que des pipelines de formation et d'évaluation distribués via Google Cloud.

Source : Google
Offres d'emploi IT
Junior Developer - Santiago, Chili
WEB DEVELOPER EXPAT - France - Santiago
Ingénieur active directory h/f
Sogeti France - Midi Pyrénées - Toulouse (31000)
Ingénieur système linux h/f
Sogeti - Ile de France - Paris (75000)

Voir plus d'offres Voir la carte des offres IT
Contacter le responsable de la rubrique Accueil