machine learning

AI/ML : Charmed Kubeflow 1.4 prend désormais en charge MLFlow, TensorFlow, MXNet, XGBoost et PyTorch

Soumis par fredericmazue le

Canonical a annoncé le lancement de Charmed Kubeflow 1.4, sa plate-forme pour les opérations IA et machine learning. Kubeflow 1.4 apporte des améliorations majeures en termes d’usages par rapport aux versions précédentes, notamment un opérateur d’entraînement unifié. Ce dernier prend en charge les frameworks d’IA/ML populaires TensorFlow, MXNet, XGBoost et PyTorch. Cela simplifie considérablement la solution, améliorant l’extensibilité future et consommant moins de ressources sur le cluster Kubernetes. 

L’intégration de MLFlow, la plate-forme open source pour la gestion du cycle de vie des modèles d’IA/ML, a été ajoutée à la solution Charmed Kubeflow, permettant une gestion automatisée du cycle de vie des modèles à l’aide des métriques MLFlow et du registre de modèles MLFlow.

Charmed Kubeflow 1.4 prend entièrement en charge les scénarios de déploiement multi-utilisateurs pour tous les composants Kubeflow, y compris les notebooks, pipelines et expériences Kubeflow. Cette mise à jour simplifie l’utilisation de Charmed Kubeflow afin d’améliorer la gouvernance et de réduire l’occurrence des environnements shadow-IT, tout en aidant à lutter contre les fuites de données organisationnelles.

Charmed Kubeflow est libre d’utilisation : la solution peut être déployée dans n’importe quel environnement sans contraintes, paywall ou fonctionnalités restreintes. Charmed Kubeflow offre une plateforme MLOps centralisée, basée sur un navigateur, qui fonctionne sur n’importe quel Kubernetes conforme.

Charmed Kubeflow 1.4 se trouve dès à présent sur CharmHub et peut être déployée sur tout cluster Kubernetes conforme à l’aide d’une seule commande Juju.

GitLab acquiert UnReview et ajoute à sa plate-forme DevOps ouverte des capacités en machine learning

Soumis par fredericmazue le

GitLab a réalisé l'acquisition d’UnReview, une solution de machine learning permettant d'identifier automatiquement les experts en révision de code et de contrôler les charges de travail de révision et la répartition des connaissances. Cette acquisition devrait améliorer l'expérience utilisateur au sein de la section développement de GitLab, notamment pour les phases de gestion, planification et création en optimisant la capacité de l'utilisateur à effectuer des révisions de code correctes en utilisant le machine learning pour recommander des réviseurs de code en fonction de leurs contributions antérieures dans des domaines de code et selon leur charge de travail. Les équipes peuvent ainsi augmenter la vélocité, la qualité du code et la sécurité.

« L'intégration de la technologie UnReview à la plateforme GitLab est une première étape dans le développement de l'application de machine learning pour le DevOps, » a déclaré Eric Johnson, CTO de GitLab. « En continuant à intégrer le machine learning à la plateforme ouverte DevOps de GitLab, nous améliorons l'expérience utilisateur en automatisant les flux de travail et en réduisant les temps de cycles à chaque étape du cycle de vie DevSecOps. De plus, nous développons de nouvelles fonctionnalités MLOps qui donneront plus d'autonomie aux scientifiques de données. »

Selon le sondage GitLab DevSecOps 2021, 75 % des répondants indiquent que leurs équipes DevOps utilisent ou ont l'intention d'utiliser le machine learning ou l'intelligence artificielle pour leurs tests et révisions de code. Par ailleurs, une majorité (55 %) des équipes d'exploitation déclare que leurs cycles de vie sont automatisés en grande partie ou entièrement. Ces statistiques confirment l'importance de l'application de machine learning GitLab pour le DevOps, qui intègre les technologies d'automatisation et de machine learning telles qu'UnReview à la plateforme GitLab.

En intégrant UnReview, GitLab ajoute à sa plate-forme des capacités de machine learning pour accélérer le cycle de vie du développement logiciel. La fonction de révision des demandes de fusion sera accélérée grâce au passage d'un processus essentiellement manuel à un tout nouveau processus automatisé utilisant l'algorithme de machine learning d'UnReview, qui sera d'ailleurs élargi dans l'avenir à l'automatisation d'autres tâches du flux de travail telles que le triage des epics et des problèmes, notamment l'attribution des problèmes et la suggestion de problèmes et epics connexes.

La technologie UnReview sera intégrée à l'expérience de révision du code GitLab pour les clients GitLab Saas dès la fin de l'année.

ClearML une plate-forme open source bout en bout de Machine Learning

Soumis par fredericmazue le

ClearML est une plate-forme de bout en bout qui connecte tous les outils de science des données dans un environnement unifié. Il s'agit d'une suite d'outils open source pour automatiser la préparation, l'exécution et l'analyse des expériences d'apprentissage automatique. Les outils de gestion des expériences gardent une trace des paramètres, des travaux, des artefacts, des métriques, des données de débogage, des métadonnées et consignent le tout dans une interface

ClearML est un logiciel libre sous licence Apache 2.0, disponible sur GitHub.

L'exécution de la pile ClearML peut être auto-hébergée. Le site officiel de la plate-forme propose une formule d'hébergement gratuit et une formule d'hébergement payant.

D2iQ Kaptain : déployer des charges de travail ML sur Kubernetes

Soumis par fredericmazue le

D2iQ a annoncé la disponibilité de D2iQ Kaptain, une plate-forme de bout en bout native pour déployer des charges de travail d'apprentissage automatique (ML) sur Kubernetes. D2iQ Kaptain combine tous les composants open source nécessaires pour accélérer le développement, la formation, le réglage et le déploiement des modèles ML dans l'entreprise, réduisant le temps du prototype à la production de quelques mois à quelques minutes, assure D2IQ.

D2iQ Kaptain est alimenté par un sous-ensemble de Kubeflow, la boîte à outils d'apprentissage automatique open source pour Kubernetes, tout en incluant toutes les fonctionnalités fournies par la distribution D2iQ Konvoy Kubernetes et des composants supplémentaires axés sur la production tels que Horovod et Spark. Cette combinaison permet aux opérateurs de plate-forme et aux scientifiques des données de disposer d'une base Kubernetes robuste et de niveau entreprise. D2iQ Kaptain veut ainsi réduire les frictions liées à la formation et au déploiement de modèles de ML dans l'entreprise, augmentant les taux de réussite de la production tout en accélérant le délai de rentabilisation.

'Le passage des flux de travail de ML d'un prototype à un déploiement évolutif est de plus en plus complexe et difficile, nécessitant souvent des ressources importantes et plusieurs mois pour atteindre les environnements de production', a déclaré Deepak Goel , CTO, D2iQ. 'D2iQ Kaptain prend en charge de manière unique à la fois les scientifiques des données et les équipes de développeurs avec une solution ML de bout en bout de niveau entreprise capable d'exécuter Kubernetes n'importe où, des environnements sur site au cloud en passant par les environnements espacés. voyages, D2iQ Kaptain tire parti de notre expertise et de notre suite de solutions Kubernetes conçues pour la sécurité, l’évolutivité, la flexibilité et la rapidité pour garantir le succès des opérations du jour 2'.

Plus d'informations sur d2iq.com/products/kaptain

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.

Facebook ouvre le code d'une implémentation de ReBel, un algorithme IA capable de battre les humains aux jeux à informations imparfaites

Soumis par fredericmazue le

La combinaison de l'apprentissage par renforcement profond et de la recherche à la fois au moment de la formation et du test est un paradigme puissant qui a conduit à un certain nombre de succès dans les environnements à agent unique et les jeux d'information parfaite. C'est ainsi qu'AlphaZero a montré des résultats remarquables notamment au jeu de Go et au jeu d'Echces.

Mais cette combinaison ne convient pas aux jeux à information imparfaite, c'est-à-dire les jeux dans lesquels les joueurs n'ont pas une connaissance complète de l'état du jeu.

C'est ici qu'intervient ReBeL, pour Recursive Belief-based Learning, qui est un cadre général pour l'apprentissage et la recherche par renforcement par le jeu autonome qui converge de manière prouvée vers un équilibre de Nash dans tout jeu à somme nulle à deux joueurs. 

Dans un article, les chercheurs en intelligence artificielle de Facebook expliquent que ReBel excelle à des jeux comme Liar's Dice, les dés menteurs, ou au poker, variante Texas Hold'em, très à la mode en ce moment. Selon les chercheurs de Facebook, 'ReBeL réalise des performances surhumaines dans le Texas Hold'em tout en utilisant beaucoup moins de connaissances du domaine que n'importe quel robot de poker précédent'.

L'article de Facebook mentionné plus haut donne de très intéressants détails techniques sur le fonctionnement de Rebel.

Facebook propose en outre une implémentation open source de ReBel, conçue pour jouer à Liar's Dice.

Cette implémentation est un logiciel libre sous licence Apache 2.0, disponible sur GitHub.

Google ajoute l'extraction d'entités à son kit ML

Soumis par fredericmazue le

Partant du constat que la plupart des applications offrent aux utilisateurs très peu d'interaction avec le texte au-delà des opérations de base telles que couper, copier, oller, Google a ajouté l'API Entity Extraction, ou extraction d'entités, à son kit ML.

Cette nouvelle API a pour vocation de permettre d'améliorer l'expérience utilisateur dans votre application mobile en comprenant le texte et en vous permettant d'ajouter des raccourcis utiles en fonction du contexte.

L'API permet de reconnaître des entités spécifiques dans du texte statique mais aussi à la volée, lors de la saisie. Une fois qu'une entité est identifiée, il est possible d'activer différentes actions pour l'utilisateur en fonction du type de l'entité identifiée. Les entités prises en charge par l'API sont à ce jour :

  • Adresse
  • Date-heure
  • Adresse e-mail
  • Numéro de vol (codes de vol IATA uniquement)
  • IBAN
  • ISBN (version 13 uniquement)
  • Argent / devise (sommes exprimés en chiffres arabes uniquement)
  • Cartes de paiement / crédit
  • Numéro de téléphone
  • Numéro de suivi (formats internationaux normalisés)
  • URL

L'API supporte à ce jour 15 langues dont le français.

Google précise que cette API se concentre sur la précision plutôt que sur la reconnaissance. Ce qui fait que certaines instances d'une entité particulière peuvent ne pas être détectées au profit de l'exactitude.

L'API Extraction Entity est en phase bêta, ce qui implique qu'elle peut être modifiée à tous moments.

Site : developers.google.com

Google publie de nouvelles API pour sa boite à outils Coral

Soumis par fredericmazue le

Coral est une boîte à outils proposée par Google pour créer des produits avec une IA locale. Google vient de publier une nouvelle version des API et des outils de Coral.

Depuis le début, Google a fourni des API en Python et C++ aux développeurs. Mais récemment, Mountain View s'est appliquée à refactoriser ses API afin de les rendre plus modulaires, réutilisables et performantes, tout en éliminant les abstractions d'API inutiles et en faisant apparaître davantage des API TensorFlow Lite natives que les développeurs connaissent.

Avec cette nouvelle mouture, ce sont désormais deux bibliothèques réutilisables distinctes qui sont proposées, chacune basée sur les API TensorFlow Lite et chacune isolée dans ses propres référentiels GitHub : libcoral pour C ++ et PyCoral pour Python.

Les deux bibliothèques offrent une prise en charge améliorée des systèmes multi-accélérateurs, y compris les étiquettes de périphérique et le pipeline de modèles. Ce dernier améliorant les performances d'exécution en partitionnant les grands modèles sur plusieurs accélérateurs.

libcoral et PyCoral sont des logiciels libres disponibles sur GitHub, sous licence Apache 2.0.

Créez votre opéra de Noël avec Blob Opera

Soumis par fredericmazue le

Blog Opera est une une expérience de machine learning créé par l'artiste David Li en coopération avec Google qui explique :

Cette expérience explore l'instrument de musique original qu'est la voix et lui rend hommage. Nous avons développé un modèle d'apprentissage automatique formé sur les voix de quatre chanteurs d'opéra afin de créer une expérience engageante pour tous, quelles que soient leurs compétences musicales. Le ténor, Christian Joel, la basse Frederick Tong, la mezzo-soprano Joanna Gamble et la soprano Olivia Doutney ont enregistré de nombreuses heures de chant. Dans l'expérience, vous n'entendez pas leurs voix, mais plutôt la compréhension du modèle d'apprentissage automatique de ce à quoi ressemble le chant d'opéra, en fonction de ce qu'il a appris des chanteurs d'opéra.

Sur le site de Blob Opera, vous disposez que 4 blobs, ou personnes animés en forme de goutte d'eau (il faut bien trouver un terme pour les décrire...) En passant la souris sur ces blobs vous pouvez définir hauteur de son et la voyelle chantée. Les blobs réagissent en temps réel. Grâce à l'apprentissage automatique, les blobs s'harmonisent automatiquement les uns avec les autres, assure Google.

Si le résultat vous plaît, vous pouvez l'enregistrer pour l'offrir à quelqu'un en guise de cadeau de Noël, suggère Google...

Si vous n'avez pas de talent de compositeur, le site vous permet d'écouter les blobs interpréter quelques chants traditionnels, dont l'incontournable 'Jingle Bells'.

artsandculture.google.com/experiment

[video:https://www.youtube.com/watch?v=nAgdT-YO_nc autoplay:0]

Rasa Open Source 2.0

Soumis par fredericmazue le

Rasa, développé par la société de même nom, est un framework open source personnalisable pour automatiser les assistants d'IA textuels et vocaux. Il vient de sortir en version 2.0. Cette nouvelle mouture propose davantage d'options de configuration aux utilisateurs avancés, tout en adoucissant sa courbe d'apprentissage.

Avec Rasa Open Source 2.0 YAML, est le format par défaut pour les données d'entraînement. Ceci permet d'ajouter des métadonnées personnalisables aux exemples de formation, tout en segmentant les fichiers longs en fichiers plus petits et modulaires. Un outil en ligne de commande permet de convertir d'anciennes données au format Markdown vers YAML.

A noter que Rasa Open Source 2.0 est entièrement compatible avec Rasa X, un outil d'interface utilisateur, certes à source fermée mais gratuit, qui aide les développeurs à améliorer les assistants IA.

La société Rasa propose un guide de migration de Rasa 1.1 vers Rasa 12.0 ici.

Rasa est un logiciel libre sous licence Apache 2.0 disponible sur GitHub.