Lors de la conférence NeurIPS qui se tiendra le 8 décembre prochain à Vancouver, les scientifiques d'IBM Research dévoileront le premier algorithme d'IA capable de synthétiser les réseaux neuronaux profonds les plus efficaces pour classer des images provenant d’appareils connectés (maison intelligente, voitures autonomes).

Des milliards de dispositifs connectés déployant   de l’IA sont déjà utilisés aujourd'hui. Toutefois, selon Big Blue, leurs modèles traditionnels d'IA ne sont pas toujours conçus pour répondre aux contraintes spécifiques des dispositifs connectés. Ils sont par exemple limités par leur espace de mémoire, leur consommation énergétique ou encore leur temps de réaction.

Dans une voiture autonome par exemple, un réseau neuronal de pointe peut être en mesure d'identifier un humain traversant la rue la nuit avec grande précision. Cependant, l’identification de la personne prendrait probablement trop de temps pour prévenir un accident.

En se concentrant sur les contraintes de performance clés d'un cas d'utilisation donné, le nouvel algorithme d’IBM rationalise la recherche de modèles adaptés de réseaux neuronaux profonds. Sans avoir à utiliser des données d'apprentissage durant la phase de synthèse de l'algorithme. Dans le scénario d'une voiture autonome, les modèles de classification d'images synthétisées d’IBM fonctionneraient en quelques millisecondes, laissant suffisamment de temps au véhicule pour éviter un piéton.

Lors des tests effectués jusqu'à présent, la nouvelle recherche d'architecture de réseau neuronal profond s'est révélée capable de générer des modèles IA efficaces capables de fonctionner sur du matériel peu coûteux et d'atteindre une plus grande précision que les alternatives disponibles, souligne IBM Research. Cette technologie peut également s'appliquer à de multiples dispositifs connectés différents, offrant ainsi une nouvelle façon de rationaliser les systèmes back-end.