Les chercheurs du Massachusetts Institute of Technology (MIT) ont présenté un système automatisé innovant permettant d’augmenter radicalement l’efficacité des modèles d’intelligence artificielle grâce à l’utilisation simultanée de deux types de redondance de données.
Le nouveau développement vise à résoudre l’un des problèmes clés de l’apprentissage profond moderne – la consommation énergétique élevée des modèles d’IA lors du traitement de structures de données complexes dans des applications telles que l’analyse d’images médicales et la reconnaissance vocale.
Les méthodes existantes d’optimisation des algorithmes permettent généralement aux développeurs d’utiliser soit la parcimonie (sparsity), soit la symétrie des données – deux types différents de redondance présents dans les structures d’apprentissage profond. L’approche innovante du MIT permet d’utiliser les deux types simultanément, ce qui a conduit dans les expériences à une augmentation de la vitesse de calcul de près de 30 fois.
« Pendant longtemps, la prise en compte de ces redondances de données nécessitait des efforts importants lors de la mise en œuvre. Maintenant, un scientifique peut décrire à notre système le résultat de calcul souhaité de manière plus abstraite, sans spécifier l’algorithme exact », explique Willow Ahrens, postdoctorante au MIT et co-auteure de l’étude, qui sera présentée au Symposium International sur la Génération et l’Optimisation du Code.
Un avantage clé du système est l’utilisation d’un langage de programmation pratique, le rendant accessible à un large éventail d’applications. Ceci est particulièrement important pour les scientifiques qui ne sont pas experts en apprentissage profond mais cherchent à augmenter l’efficacité des algorithmes d’IA dans le traitement des données.
Le développement du MIT ouvre de nouvelles perspectives dans l’optimisation des ressources computationnelles pour l’apprentissage automatique, offrant :
– Une optimisation automatique des algorithmes tenant compte de multiples types de redondance
– Une réduction significative des besoins en puissance de calcul
– Une réduction des coûts de bande passante et de stockage des données
– Une interface simplifiée pour les développeurs de systèmes d’IA
Le système a également un potentiel d’application dans les calculs scientifiques, ce qui peut contribuer à accélérer la recherche dans divers domaines scientifiques où des modèles de calcul complexes sont utilisés.
