intelligence artificielle

PyTorch 1.9

Soumis par fredericmazue le

PyTorch est une bibliothèque de machine learning dévelopée par Facebook AI Research. La sortie de la version 1.9 de la bibliothèque vient d'être annoncée. PyTorch vient avec des améliorations majeures pour prendre en charge le calcul scientifique, notamment torch.linalg, torch.special et Complex Autograd

Avec cette version 1.9, le module torch.linalg passe à une version stable. L'algèbre linéaire est essentielle à l'apprentissage en profondeur et au calcul scientifique, et le module torch.linalg étend la prise en charge de PyTorch avec des implémentations de chaque fonction du module d'algèbre linéaire de NumPy (maintenant avec prise en charge des accélérateurs et autograd)

Un module torch.special, analogue au module spécial de SciPy, est désormais disponible en version bêta. Ce module contient de nombreuses fonctions utiles pour le calcul scientifique et le travail avec des distributions telles que iv, ive, erfcx, logerfc et logerfcx.

La fonctionnalité Complex Autograd, publiée en version bêta dans PyTorch 1.8, est désormais stable. Depuis la version bêta, Facebook a étendu la prise en charge de Complex Autograd pour plus de 98% des opérateurs dans PyTorch 1.9, amélioré les tests pour les opérateurs complexes en ajoutant plus d'OpInfos et ajouté une plus grande validation via la migration TorchAudio vers des tenseurs complexes natifs

Cette fonctionnalité offre aux utilisateurs la possibilité de calculer des gradients complexes et d'optimiser les fonctions de perte à valeur réelle avec des variables complexes.

PyTorch est un logiciel libre sous licence BSD disponible sur GitHub.

Site : pytorch.org

OpenAI publie l'API de Codex en version bêta

Soumis par fredericmazue le

Pour mémoire, OpenAI est une société à but lucratif plafonné dont l'objectif est de promouvoir et développer une intelligence artificielle a visage humain qui bénéficie à toute l'humanité. Avant mars 2019 OpenAI était une association a but non lucratif.

OpenAI développe de nombreux outils d'intelligence artificielle, dont récemment Triton, un langage de programmation GPU pour les résaux de neurones.

OpenAI a aussi créé Codex. Codex est un système système d'IA qui traduit le langage naturel en code. Codex est notamment le modème qui alimente GitHub Copilot.

Selon OpenAI, maîtrisant plus d'une douzaine de langages de programmation, Codex peut désormais interpréter des commandes simples en langage naturel et les exécuter au nom de l'utilisateur, ce qui permet de créer une interface en langage naturel pour les applications existantes.

OpenAI a publié en août l'API de Codex en version bêta. Les développeurs intéressés pour accéder à cette API doivent s'inscrire ici. 

OpenAI présente Triton un langage de programmation GPU pour les réseaux de neurones

Soumis par fredericmazue le

Pour mémoire, OpenAI est une société à but lucratif plafonné dont l'objectif est de promouvoir et développer une intelligence artificielle a visage humain qui bénéficie à toute l'humanité. Avant mars 2019 OpenAI était une association a but non lucratif.

OpenAi vient de publier Triton 1.0. Il s'agit d'un langage de programmation open source basé sur Python qui permet aux chercheurs sans expérience CUDA d'écrire du code GPU très efficace. "La plupart du temps à égalité avec ce qu'un expert serait capable de produire. Par exemple, il peut être utilisé pour écrire des noyaux de multiplication matricielle FP16 qui correspondent aux performances de cuBLAS, ce que de nombreux programmeurs GPU ne peuvent pas faire, en moins de 25 lignes de code" soulignent ses concepteurs.

Bien que basé sur Python, Triton serait performant. Ses concepteurs expliquent : "Les bonnes performances de Triton proviennent d'une architecture de système modulaire centrée autour de Triton-IR, une représentation intermédiaire basée sur LLVM dans laquelle des blocs de valeurs multidimensionnels sont des citoyens de première classe".

Triton est un logiciel libre sous licence MIT disponible sur GitHub.

Disponibilité mondiale de NVIDIA AI Enterprise

Soumis par fredericmazue le

NVIDIA a annoncé la disponibilité de NVIDIA AI Enterprise, une suite logicielle complète d'outils et de frameworks d'IA permettant aux entreprises utilisant VMware vSphere de virtualiser des charges de travail d'IA sur des NVIDIA-Certified Systems.

« La première vague d'IA a été alimentée par une infrastructure spécialisée, ce qui qui a limité le recours aux pionniers de l'industrie », a déclaré Manuvir Das, head of Enterprise Computing chez NVIDIA. « Aujourd'hui, c'est le début d'un nouveau chapitre dans l'ère de l'IA, car les logiciels de NVIDIA mettent la puissance de transformation par l’intelligence artificielle à la portée de toutes les entreprises qui font tourner leurs charges de travail sur VMware au moyen de serveurs de centres de données classiques. »

« Alors que les applications d'IA deviennent critiques pour leur activité, nos clients veulent les faire tourner sur leur propre infrastructure pour des raisons de simplification de gestion, d'évolutivité, de sécurité et de gouvernance », a déclaré Krish Prasad, senior vice president and general manager of the Cloud Platform Business Unit chez VMware. « L'exécution de NVIDIA AI Enterprise sur VMware vSphere fournit une plate-forme d'entreprise certifiée, prête de bout en bout pour l'IA, facile à déployer et à exploiter. »

Les licences d'abonnement commencent à 2 000 $ par socle de processeur pendant un an et incluent le support standard pour les entreprises (cinq jours par semaine, neuf heures par jour). Les licences perpétuelles coûtent 3 595 $ et nécessitent l’achat d’un support supplémentaire. Les clients peuvent passer au « Business Critical Support » pour un accès 24h/24 et 7j/7 à l'expertise de NVIDIA AI.

 Site : NVIDIA AI Enterprise

GitHub Copilot : l'intelligence artificielle partenaire du développeur

Soumis par fredericmazue le

GitHub vient de lancer un aperçu technique de GitHub Copilot. qui présenté comme un partenaire d'intelligence artificielle pour aider le développeur à écrire un meilleur code.

Développé en collaboration avec OpenAI, GitHub Copilot est alimenté par OpenAI Codex, un nouveau système d'IA créé par OpenAI. OpenAI Codex a une connaissance approfondie de la façon dont les gens utilisent le code. Github souligne que OpenAI Codex est nettement plus capable que GPT-3 dans la génération de code, en partie parce qu'il a été formé sur un ensemble de données qui comprend une concentration beaucoup plus importante de code source public. GitHub Copilot fonctionne avec un large éventail de frameworks et de langages, mais cet aperçu technique fonctionne particulièrement bien pour Python, JavaScript, TypeScript, Ruby et Go.

Ceci pour les langages de programmation car 'humainement parlant' GitHubCopilot ne comprend que l'anglais ce qui impose que le code, noms des fonctions et commentaires, soit écrit dans cette langue pour pouvoir être analysés par GitHub Copilot.

Se basant sur le contexte du code sur lequel vous travaillez, GitHub Copilot  suggère des lignes entières ou des fonctions entières. Il vous aide à découvrir rapidement d'autres moyens de résoudre des problèmes, d'écrire des tests et d'explorer de nouvelles API. Sans avoir à personnaliser de manière fastidieuse une recherche de réponses sur Internet, souligne GitHub. Apprentissage automatique oblige, au fur et à mesure que vous tapez, GitHub Copilot s'adapte à la façon dont vous écrivez le code, pour vous aider à terminer votre travail plus rapidement.

Le nombre de places pour cet aperçu technique est limité. Vous pouvez vous inscrire sur le site officiel copilot.github.com

Meet GitHub Copilot - your AI pair programmer. https://t.co/eWPueAXTFt pic.twitter.com/NPua5K2vFS

— GitHub (@github) June 29, 2021

Expert.ai ajoute de nouvelles fonctionnalités à son API de compréhension du langage naturel et lance un hackathon

Soumis par fredericmazue le

Expert.ai a annoncé de fonctionnalités avancées améliorant les capacités d'analyse via son API de langage naturel (NL) basée sur le cloud. La nouvelle extension s'attaque à l'un des plus grands défis auxquels les développeurs d'intelligence artificielle sont confrontés dans l'écosystème NL : l'extraction des émotions à grande échelle et l'identification des données stylométriques conduisant à une empreinte digitale complète du contenu. 

La possibilité de tirer parti de l'analyse des traits émotionnels et comportementaux joue un rôle essentiel dans le développement d'applications intelligentes basées sur le langage naturel. Cela permet aux développeurs et aux Data scientists d’aller au-delà des traditionnelles notes positives ou négatives issues d'une analyse des sentiments pour identifier les émotions d'un texte, permettant aux organisations de créer des applications qui exploitent le plein potentiel de leurs données. 

"Qu'il s'agisse d'applications qui analysent les interactions avec les clients, les évaluations de produits, les e-mails ou les conversations de chatbot, ou de l'enrichissement du contenu qui augmente la précision de l'analyse de texte, l'ajout de traits émotionnels et comportementaux fournit des informations essentielles avec un impact significatif", a déclaré Luisa Herrmann-Nowosielski, Head of Product Management chez expert.ai. "En intégrant ces nouvelles fonctionnalités, y compris une extension de stylométrie (Writeprint) dans notre API NL, nous franchissons une nouvelle étape dans l'écosystème des API d'intelligence artificielle, en fournissant aux développeurs et aux Data scientists des informations uniques et prêtes à l'emploi pour booster leurs applications innovantes."

Traits émotionnels et comportementaux

L'API NL d’expert.ai identifie une gamme de 117 traits différents, fournissant la taxonomie émotionnelle et comportementale la plus riche disponible sur le marché des API d'IA aujourd'hui. Les traits émotionnels sont classés en 8 groupes différents (colère, peur, dégoût, tristesse, bonheur, joie, nostalgie, honte...). Les traits comportementaux sont divisés en 7 groupes (socialité, action, ouverture, conscience, éthique, indulgence et capacité) et l'API attribue 3 niveaux de polarité (faible, moyen, élevé) pour indiquer davantage le niveau de chaque trait extrait.  

Cette nouvelle extension des émotions et des traits comportementaux peut s'avérer particulièrement utile pour rendre la catégorisation du contenu médiatique plus efficace et améliorer les interactions avec les clients en capturant de nouveaux besoins ou en fournissant des prévisions plus détaillées et en permettant une adaptation plus efficace des recommandations pour le commerce et la publicité en ligne.

Writeprint 

L'extension Writeprint de l'API NL d'expert.ai effectue une analyse approfondie du style linguistique (ou analyse stylométrique) allant de la lisibilité des documents et de la richesse du vocabulaire aux types et temps des verbes, aux registres, à la structure des phrases et à la grammaire. Elle permet de comparer plusieurs documents pour identifier un style d'écriture unique et des marques d'auteur afin d’affiner l'analyse de paternité pour établir l'auteur d'un texte spécifique ou d'isoler des caractéristiques telles que le niveau d'éducation et d'autres aspects culturels.

Les caractéristiques de l’extension Writeprint sont également précieuses pour les activités de renseignement afin d'établir, avec un certain degré de certitude, si une personne spécifique a écrit un texte et d'identifier les faux ou les imitations. Elles sont également utiles aux sociétés d'édition et aux médias pour classer les nouvelles et les articles en fonction de styles d'écriture distincts (basés sur des caractéristiques syntaxiques, structurelles et lexicales) ou du niveau de lisibilité (qui peut être affecté par l'argot, une grammaire incorrecte, etc.). 

Hackathon “Sentiment & Opinion Mining NL API” 

Expert.ai lance un nouveau hackathon "Sentiment & Opinion Mining Natural Language API" qui offre la possibilité de créer une application basée sur l'IA en exploitant les fonctions d'analyse des sentiments, des émotions et des traits comportementaux fournis par l'API NL.

L'inscription au hackathon est gratuite. Les développeurs individuels et les équipes peuvent s'inscrire sur expertai-nlapi-042021.devpost.com jusqu'au 22 juin 2021.

Les gagnants seront annoncés le 15 juillet 2021 et recevront des prix d'une valeur totale de 10 000 dollars, dont : 5 000 dollars pour la première place, 2 500 dollars pour la deuxième place, 1 000 dollars pour la troisième place et trois prix de 500 dollars par catégorie. 

Pour en savoir plus sur le hackathon et s'inscrire pour y participer, cliquez ici : expertai-nlapi-042021.devpost.com.

Google ouvre le code de Model Search

Soumis par fredericmazue le

La recherche de modèle (Model Search) est un cadre qui implémente des algorithmes AutoML pour la recherche d'architecture de modèles à grande échelle.

AutoML est un domaine de recherche dédié à l'automatisation des tâches manuelles associées à l'apprentissage automatique. L'automatisation de la conception de modèles d'apprentissage en profondeur, souvent appelée recherche d'architecture neuronale (NAS), nécessite que de nombreux modèles d'apprentissage en profondeur soient formés et évalués, ce qui peut être coûteux et prendre du temps.

Le système de recherche par modèle de Google veut résoudre ce problème. Il vise à aider les chercheurs à accélérer leur processus d'exploration pour trouver la bonne architecture de modèle pour leurs problèmes de classification (c'est-à-dire des DNN avec différents types de couches).

La bibliothèque vous permet de:

  • Exécuter de nombreux algorithmes AutoML prêts à l'emploi sur vos données, y compris la recherche automatique de la bonne architecture de modèle, du bon ensemble de modèles et des meilleurs modèles.
  • Comparer de nombreux modèles différents trouvés lors de la recherche.
  • Créer votre propre espace de recherche pour personnaliser les types de couches dans vos réseaux de neurones.

Model Search est présenté dans ce billet de blog de Google.

Model Search est un logiciel sous licence Apache 2.0 disponible sur GitHub.

Big Data & AI Paris 2021

Soumis par fredericmazue le

Big Data & AI Paris 2021 est le fruit du regroupement entre deux événements phares de la tech française et européenne : Big Data Paris, rendez-vous clé de la scène big data depuis dix ans, et AI Paris, événement dédié aux avancées de l’intelligence artificielle devenu incontournable en cinq éditions.

Big Data & AI Paris devient l’événement européen de référence de tout l’écosystème big data et IA, les 28 & 29 septembre en présentiel et en ligne. Grâce à une concentration unique de contenus et d’acteurs clés du secteur, découvrez comment faire mieux, plus vite et à l’échelle. 

Réserver votre accès.

Microsoft ajoute la prédiction de texte à Word

Soumis par fredericmazue le

Microsoft prévoit d'ajouter des prédictions de texte à Word dès ce mois de mars. La nouvelle fonctionnalité fonctionnera de la même manière que l'option Smart Compose de Google Docs, en utilisant l'apprentissage automatique pour prédire les mots dont un auteur peut avoir besoin pour accélérer la création de documents.

Ainsi Word mettra en évidence les prédictions grisées lorsque les utilisateurs rédigent un document, et les suggestions pourront être acceptées à l'aide de la touche Tab ou rejetées en appuyant sur Échap. Les prédictions de texte pourront également être complètement désactivées par les utilisateurs de Word.

Microsoft va également intégrer des prédictions de texte similaires dans Outlook pour Windows ce mois de mars, afin de permettre aux utilisateurs de rédiger leurs courriels plus rapidement.

CodeCarbon : un outil open source pour évaluer l'empreinte carbone de l'intelligence artificielle

Soumis par fredericmazue le

La société Comet spécialisée en intelligence artificielle et en apprenstissage automatique, se préoccupe de l'empreinte carbone de ces outils.

Au cours de l'été 2019, un groupe de chercheurs dirigé par Emma Strubell de l'Université du Massachusetts à Amherst a publié une étude qui estimait que la formation d'un seul modèle d'apprentissage en profondeur pouvait produire jusqu'à 626155 livres d'émissions de CO2. À titre de comparaison qui donne à réfléchir, ce montant est similaire aux émissions de CO2 produites par un Américain moyen sur 17 ans.

Pour Comet, le problème ne fait qu'empirer. Dans notre environnement de recherche centré sur l'apprentissage en profondeur, les progrès de l'intelligence artificielle sont réalisés en grande partie grâce à la création de modèles plus volumineux, à l'agrégation d'ensembles de données plus volumineux et à l'exploitation de plus de puissance de calcul.

Que peuvent faire les chercheurs pour atténuer l'empreinte carbone de leurs recherches? La première étape consiste à rendre les émissions associées à l'apprentissage automatique plus accessibles et transparentes. 

À cette fin, Comet s'est associé à certains des principaux chercheurs et praticiens en IA au monde - MILA , le laboratoire de recherche en IA dirigé par Yoshua Bengio à Montréal, BCG GAMMA , la division Analytics and Data Science du Boston Consulting Group, et Haverford College, pourcréer CodeCarbon, un package Python open source pour aider les chercheurs à suivre l'empreinte carbone de leurs recherches.

CodeCarbon enregistre la quantité d'énergie utilisée par l'infrastructure sous-jacente des principaux fournisseurs de cloud et des centres de données sur site hébergés en privé. Sur la base de sources de données accessibles au public, il estime la quantité d'émissions de CO₂ produites en se référant à l'intensité carbone du mix énergétique du réseau électrique auquel le matériel est connecté. Un projet public sur le site de Comet permet de voir CodeCarbon en action. (2ème video ci-dessous)

CodeCarbon est un logiciel libre sous licence MIT disponible sur GitHub.

[video:https://vimeo.com/486015008 autoplay:0]

[video:https://vimeo.com/486054680 autoplay:0]