Rechercher
  • Herve Blanc

( đŸ‡«đŸ‡· ) La confĂ©rence dĂ©veloppeur Cloud & AI d'IBM

DerniĂšre mise Ă  jour : 8 juin 2020

Jeudi 15 Novembre se tenait la conférence développeur Cloud & AI d'IBM, un événement en ligne qui nécessitait de bloquer l'essentiel de son aprÚs-midi, pour la version Europe. J'ai participé à la partie apprentissage machine (ou machine learning; il y avait aussi une partie cloud).

Je reviens donc sur les points clés de ce séminaire en ligne bien rodé (avec des vidéos préenregistrées). Je ne reprend pas les aspects feuille de route (roadmap) évoqués mais seulement les solutions disponibles aujourd'hui.

 

Sam Lightstone, CTO IBM Data & AI, nous présenta les grandes lignes de cet événement et les 4 piliers d'IBM pour une intelligence artificielle de confiance :

  • explicable: comprendre les dĂ©cisions du modĂšle

  • Ă©quitable: dĂ©tecter & attĂ©nuer les biais

  • prĂ©cision: identifier & lutter contre la dĂ©rive des modĂšles

  • ouverture: contributions communautaires (open source)

Sam nous présente les bénéfices d'AutoAI pour accélérer la création de modÚles, pallier au manque de compétences, faciliter la collaboration, explorer et comparer automatiquement les différents algorithmes avec votre jeux de données.

Selon Sam, AutoAI est plus capable de trouver de meilleurs algorithmes et des meilleurs paramĂštres que 99% des PhDs Ă  qui il a Ă©tĂ© comparĂ©. AutoAI passe en revue 30 algorithmes de classification et 44 algorithmes de rĂ©gression. Sans vouloir remplacer votre PhD (qui fait certainement partie du 1%), cette automatisation devrait certainement ĂȘtre un gain de temps Ă©norme.

 

Dr John R Smith, Head of AI Tech for IBM Research AI, nous explique sa feuille route technologique vers une intelligence artificielle généralisée. John montre comment le projet Debater a été clé pour tirer les avancées de son groupe. Debater est un systÚme d'intelligence artificielle capable de débattre de sujets humains complexes.

Mais revenons à du concret, John revient, avec plus de détails, nous expliquer les piliers de d'IBM pour une IA de confiance:

AI Fairness 360: c'est un outils open source qui réalise plus de 70 tests de détection de biais et 10 algorithmes pour compenser les biais

AI Explainability 360: outils open source qui aide la compréhension des prédictions du modÚle grùce à 8 algorithmes et les métriques associées

Adversarial Robustness 360: outils open source qui permet de tester la sécurité d'un modÚle et sa résistance à des attaques

 

Aaron Baughman, ingénieur émérite, nous présente ensuite les différents composants qu'IBM a développé pour adresser les challenges d'ESPN, chaine TV sportive américaine. Le systÚme doit créer automatiquement et diffuser sur les réseaux sociaux des vidéos courtes des faits marquants pendant l'événement sportif (tennis, golf). Les challenges sont multiples: servir des millions d'usagers, définir des critÚres fiables de détection de début et de fin des "faits marquants", combiner détection d'image/sound/..., enlever les biais des modÚles.

Aaron montre comment il utilise AI Fairness 360 pour adresser le biais de détection sonore: un joueur trÚs connu aura forcément plus de foule et de bruits de foule qu'un inconnu, pourtant les fans du "rookie" veulent aussi voir ses faits marquants.

 

Fred Reiss, architecte en chef pour IBM CODAIT, partage ses meilleurs pratiques de création et gestion de modÚles et les outils cloud d'IBM pour vous aider tout au long du cycle de vie du produit.

Fred nous montre comment déployer MAX-Object-Detector, projet example disponible en open source sur github.

 

Animesh Singh, directeur de programme, Plateforme IA, nous montre comment tirer parti de Kubeflow Pipelines pour déployer une nouvelle révision de modÚles à 10% de vos utilisateurs (test) tout en maintenant l'essentiel du flux d'utilisateurs, 90%, sur le modÚle éprouvé.

 

PS: Je n'ai aucune affiliation avec IBM, c'est un acteur mondial important de l'Ă©cosystĂšme IA.

6 vues0 commentaire