machine learning

Amazon publie des cours de Machine Learning

Soumis par fredericmazue le

Amazon explique que l'apprentissage automatique (ML), qui est un sous-ensemble de l'intelligence artificielle, est au centre de ses activités. Mais la difficulté de l'entreprise a été la pénurie de personnel compétent en la matière.

Pour répondre à ce besoin, Amazon a fondé sa propre université d'apprentissage automatique (MLU) en 2016. Le programme de MLU est conçu pour affiner les compétences des praticiens actuels du ML, tout en donnant aux néophytes les outils dont ils ont besoin pour déployer l'apprentissage automatique pour leurs propres projets. Les cours sont dispensés par des experts d'Amazon ML.

Amazon a décidé de publier certains de ces cours. Cinq sont dès maintenant accessible sur une chaîne YouTube. Sept autres cours seront publiés d'ici la fin de l'année. Les trois premiers cours publiés sont des cours de base. Les suivants sont des cours plus approfondis.

Des documents et outils annexes : diaporamas, notes et ensembles de données sont parallèlement mis à disposition sur GitHub.

Google ajoute la reconnaissance d'entre digitale à son kit ML

Soumis par fredericmazue le

Le kit ML de Google est une boite à outils d'apprentissage automatique pour les application mobiles. Google y ajoute régulièrement des fonctionnalités. Au début du mois d'août, Google a introduit la reconnaissance d'encre numérique à son kit ML.

Cette nouvelle fonctionnalité permet aux développeurs d'ajouter l'interprétation des entrées tactiles et du stylet à leurs applications. Cette technologie ajoutée au kit ML est la même que celle qui alimente le Gboard de Google. L'API s'exécute localement et convient donc aux applications devant s'exécuter hors ligne.

Cette nouvelle fonctionnalité prend en charge plus de 300 langues et plus de 25 systèmes d'écriture. En outre elle reconnaît des formes et même de nombreuses émoticônes.

Le kit ML de Google est accessible ici.

Google publie TensorFlow 2.3

Soumis par fredericmazue le

Google a publié une nouvelle mouture de son outil de machine learning : TensorFlow 2.3.

Cette version apporte notamment deux nouveaux mécanismes, l'un pour résoudre les problèmes de goulots d'étranglement dans les pipeline d'entrée, l'autre pour économiser des ressources.

Dans cette nouvelle version, TF Profiler présente deux nouveaux outils: un profileur de mémoire pour visualiser l'utilisation de la mémoire de votre modèle au fil du temps et un traceur python qui vous permet de tracer les appels de fonctions python dans votre modèle. Concernant l'expérience utilisateur, les améliorations incluent de meilleurs messages de diagnostic et des options de profil pour personnaliser le niveau de verbosité de la trace de l'hôte et du périphérique.

TensorFlow 2.3 Introduit la prise en charge expérimentale de l'API Keras Preprocessing Layers pour gérer les opérations de prétraitement des données, avec prise en charge des entrées de tenseur composites.

A remarquer encore : L'API Python expérimentale; tf.debugging.experimental.enable_dump_debug_info() permet désormais d'instrumenter un programme TensorFlow et de vider les informations de débogage dans un répertoire du système de fichiers. Le répertoire peut être lu et visualisé par un nouveau tableau de bord interactif dans TensorBoard 2.3 appelé Debugger V2, qui révèle les détails du programme, y compris les structures de graphes, l'historique des exécutions d'opérations au niveau Python (impatient) et intra-graphe, etc.

TensorFlow 2.3 est un logiciel libre sous licence Apache 2.0, disponible sur GitHub.

Le Projet MLflow rejoint la Fondation Linux

Soumis par admin le

La Fondation Linux annonce que MLflow, une plateforme  open source de machine learning (ML) créée par Databricks, rejoint la Fondation Linux. Depuis son introduction à la conférence Spark + AI Summit il y a deux ans, MLflow connait un engagement communautaire impressionnant de la part de plus de 200 contributeurs et compte plus de 2 millions de téléchargements par mois, soit un taux de croissance annuel multiplié par 4. La Fondation Linux est un consortium indépendant de tout fournisseur selon un modèle de gouvernance ouvert pour étendre encore davantage l'adoption et les contributions au projet MLflow.

« L'augmentation constante de l'engagement communautaire montre la volonté des équipes data à construire la plateforme de machine learning du futur. Le taux d'adoption démontre la nécessité d'une approche open source pour standardiser le cycle de vie du machine learning, »  déclare Michael Dolan, vice-président des programmes stratégiques de la Fondation. « Notre expérience de travail avec les plus grands projets open source au niveau mondial montre qu'un modèle de gouvernance ouvert permet une innovation et une adoption plus rapides grâce à une large contribution de l'industrie et une recherche de consensus ».

Databricks a créé MLflow en réponse au processus compliqué de développement des modèles de ML. Traditionnellement, le processus de conception, formation, réglage, déploiement et gestion des modèles de ML était extrêmement difficile pour les data scientists et les développeurs. Contrairement au développement traditionnel de logiciels qui ne concerne que les versions de code, les modèles ML doivent également suivre les versions des jeux de données, des paramètres des modèles et des algorithmes, ce qui crée un ensemble de variables exponentiellement plus important à suivre et à gérer. En outre, le ML est très itératif et repose sur une étroite collaboration entre les équipes data et les équipes chargées des applications. MLflow permet d'éviter que ce processus ne devienne trop lourd en fournissant une plateforme pour gérer le cycle de développement du ML de bout en bout, de la préparation des données au déploiement en production, en passant par le suivi des expériences, le packaging du code en suites reproductibles, le partage des modèles et la collaboration.

Matei Zaharia, le créateur à l’origine d'Apache Spark et de MLflow, a partagé la nouvelle avec la communauté data lors de sa keynote à la conférence Spark + AI Summit :

« MLflow est devenu le standard open source pour les plateformes de machine learning grâce à la communauté de contributeurs, qui se compose de centaines d'ingénieurs issus de plus d'une centaine d'entreprises. Le machine learning transforme toutes les grandes industries et influence des milliards de décisions dans le retail, la finance et la santé. Notre décision de contribuer à MLflow pour la Fondation Linux  est une invitation à la communauté du machine learning à intégrer les bonnes pratiques d'ingénierie ML au sein d’une plate-forme standard ouverte, collaborative et de bout en bout. »

Parmi les organisations présentant leur expérience de MLflow au Spark+ AI Summit, citons : Starbucks, Exxonmobil, T-Mobile et Accenture. De nouvelles fonctionnalités qui continuent à simplifier MLflow et le cycle de vie de ML sont également annoncées aujourd'hui, notamment l'autologging pour des expérimentations, ainsi que de nouvelles fonctionnalités de gestion et de déploiement des modèles dans le registre des modèles MLflow.

La conférence Spark + AI Summit se déroule virtuellement cette semaine avec une inscription gratuite et un accès à la demande aux keynotes, sessions et forums par industrie.  

ABBYY lance sa bibliothèque de développement open source NeoML

Soumis par admin le

ABBYY lance sa bibliothèque de développement open source baptisée NeoML. L'objectif est d'accompagner les développeurs dans le déploiement de nouvelles applications basées sur les technologies d'intelligence artificielle, et ce, sur mobile comme sur desktop.
 
Disponible dès aujourd'hui sur la plateforme GitHub, NeoML permet aux développeurs de monter en compétence sur les technologies de Machine Learning et de Deep Learning. Les développeurs peuvent ainsi s'appuyer sur des contenus Open Source qui permettront d'améliorer, entre autres, les technologies d'identification à distance, d'analyse prédictive ou encore de gestion des risques.

NeoML vise à stimuler le développement de nouveaux modèles en capacité d'améliorer l'identification, la classification, la segmentation sémantique, la vérification ou encore la modélisation prédictive des informations pour en définitive accompagner les objectifs de croissance des entreprises

NeoML a été conçue comme un outil universel permettant aux entreprises de traiter et d'analyser des données dans divers formats comme le texte, l'image ou la vidéo. La plateforme prend en charge les principaux langages de programmation tels que C++, Java, Objective-C et d'ici peu le langage Python. Le réseau de neurones artificiels de NeoML prend en charge plus de 100 types de couches de développement différentes et plus de 20 algorithmes de Machine Learning dont les modèles de classification, de régression et de regroupement. NeoML est multiplateforme (Windows, Linux, macOS, iOS et Android) et optimisée pour les processeurs CPU comme GPU.
 
« La mise à disposition de NeoML illustre pleinement le positionnement d'ABBYY comme précurseur de l'innovation liée à l'IA. L'innovation technologique fait partie de notre ADN avec plus de 400 brevets et demandes de brevets déposés. Nous sommes enthousiastes à l'idée de partager nos connaissances avec les développeurs du monde entier pour stimuler la naissance d'applications multiplateformes plus performantes au service de la transformation digitale, en particulier sur mobile. Nous espérons que les innovations qui germeront dans l'IA et le Machine Learning grâce à NeoML participeront à maximiser le potentiel de croissance de l'économie mondiale. », souligne Ivan Yamshchikov, IA Evangeslist d'ABBYY.
 
ABBYY invite les développeurs, Data Scientists et Business Analysts du monde entier à contribuer au bon développement de la plateforme NeoML sur GitHub (dont le code source est sous licence Apache 2.0). ABBYY apportera un accompagnement personnalisé aux développeurs avec des reporting en continu ainsi que des mises à jour et des améliorations régulières de sa bibliothèque. Dans les prochains mois de nouveaux algorithmes et architectures viendront alimenter NeoML.

NeoML est un logiciel libre sous licence Apache 2.0, disponbile sur GitHub.

Microsoft organise le concours Machine Learning Security Evasion

Soumis par admin le

L'apprentissage automatique (ou Machine Learning ou ML) est de plus en plus utilisé pour la cybersécurité, mais les cybercriminels développent désormais des logiciels malveillants conçus pour échapper aux modèles ML.

Cette situation  représente un nouveau défi. Pour le relever, Microsoft parraine le concours Machine Learning Security Evasion avec les partenaires CUJO AI, VMRay et MRG Effitas. Ce concours, qui cible les praticiens du ML et les professionnels de la cybersécurité veut offrir un cadre réel unique permettant aux chercheurs d'exercer leurs muscles de défenseur et d'attaquant. 

Cette nouvelle compétition s'appuie sur une compétition similaire lancée à AI Village en août 2019 lors du DEFCON 27, qui invitait les candidats à participer à une attaque en boîte blanche contre les modèles de ML malveillants statiques. Plusieurs chercheurs du concours de 2019 ont découvert des approches qui contournaient complètement et simultanément trois modèles antimalware ML. 

Le concours Machine Learning Security Evasion est conçu de manière similaire, pour mettre en évidence les contre-mesures contre les comportements adversaires et sensibiliser à la variété de façons dont les systèmes ML peuvent être éludés par les logiciels malveillants, afin de mieux se défendre contre ces techniques. Les meilleurs chercheurs doivent publier leurs stratégies de détection ou d'évasion pour remporter le concours. 

Cette année, Microsoft propose deux défis différents :

Le Defender Challenge se déroulera du 15 juin au 23 juillet 2020 et encouragera le développement de contre-mesures contre les attaques adverses en fournissant de nouvelles défenses aux attaquants. Les défenses soumises doivent passer des tests réels pour détecter les logiciels malveillants réels à des taux modérés de faux positifs.

L'Attacker Challenge se déroulera du 6 août au 18 septembre 2020, fournissant un modèle de menace de boîte noire donnant un accès API aux modèles antimalware hébergés, y compris ceux développés avec succès dans le Defender Challenge. 

Les prix du gagnant et du finaliste de chaque défi seront respectivement de 2500 dollars en crédits Azure et de 500 dollars en crédits Azure.

Plus d'informations sur le billet d'annonce de Microsoft.

PyTorch arrive en version 1.5 avec une API frontale C++ stable

Soumis par admin le

PyTorch est une bibliothèque de machine learning dévelopée par Facebook AI Research. La sortie de la version 1.5 de la bibliothèque vient d'être annoncée.

La nouveauté majeure est que l'API frontale C++, juste qu'ici expérimentale, est désormais stable, et est à parité avec Python. Concrètement, cela signifie les utilisateurs peuvent traduire complètement leurs modèles de l'API Python en API C ++.

Cette version ajoute une nouvelle API, expérimentale cette fois, permettant de lier simultanément des classes C ++ personnalisées à TorchScript et Python. Cela permet aux développeurs d'exposer une classe C ++ et ses méthodes au système de type TorchScript et au système d'exécution de manière à pouvoir instancier et manipuler des objets C ++ arbitraires à partir de TorchScript et Python. Par exemple :

template <class T>
struct MyStackClass : torch::CustomClassHolder {
  std::vector<T> stack_;
  MyStackClass(std::vector<T> init) : stack_(std::move(init)) {}
 
 void push(T x) {
    stack_.push_back(x);
  }

  T pop() {
    auto val = stack_.back();
    stack_.pop_back();
    return val;
  }
};

static auto testStack =
  torch::class_<MyStackClass<std::string>>("myclasses", "MyStackClass")
      .def(torch::init<std::vector<std::string>>())
      .def("push", &MyStackClass<std::string>::push)
      .def("pop", &MyStackClass<std::string>::pop)
      .def("size", [](const c10::intrusive_ptr<MyStackClass>& self) {
       return self->stack_.size();
});

expose une classe utilisable avec Python et TorchScript comme ceci :

@torch.jit.script
def do_stacks(s : torch.classes.myclasses.MyStackClass):
    s2 = torch.classes.myclasses.MyStackClass(["hi", "mom"])
    print(s2.pop()) # "mom"
    s2.push("foobar")
    return s2 # ["hi", "foobar"]

A remarquer encore:  les API RPC ont elles aussi acquis le statut stable dans PyTorch 1.5.

Enfin, à partir de PyTorch 1.5, la bibliothèque ne supporte plus Python 2.

Toutes les nouveautés de Python 1.5 peuvent être retrouvées dans sa note de version.

Snowflake annonce la disponibilité générale de sa plateforme sur Google Cloud

Soumis par fredericmazue le

Snowflake, la plateforme de données dans le cloud, annonce aujourd’hui la disponibilité générale de sa solution sur Google Cloud. Cette disponibilité permet d’associer sa plateforme de données natives dans le cloud aux capacités d’IA, de machine learning et d’analyse du fournisseur de cloud public. Snowflake est désormais disponible dans les régions us-central1 (Iowa) et europe-west4 (Pays-Bas) de Google Cloud. D’autres régions seront ajoutées plus tard dans l’année. 

Deep Java Library : une boîte à outils d'apprentissage en profondeur open source proposée par Amazon

Soumis par fredericmazue le

Deep Java Library, ou DJL, est une boîte à outils d'apprentissage en profondeur utilisée pour développer des modèles d'apprentissage en Java tout en simplifiant l'utilisation des frameworks.. DJL est 'framework-agnostic', ce qui signifie que son utilisation n'est pas liée à un framework particulier.

Avec DJL, les développeurs Java peuvent développer leurs propres modèles ou utiliser des modèles préformés développés par des scientifiques des données en Python à partir de leur code Java.

DJL fournit une implémentation pour le moteur ML Apache MXNet qui permet le développement de réseaux de neurones profonds. Les API DJL utilisent JNA, Java Native Access, pour appeler les opérations Apache MXNet correspondantes. DJL orchestre la gestion de l'infrastructure et assure une détection automatique de CPU / GPU basée sur la configuration matérielle pour améliorer les performances.

DJL dispose d'un site officiel sur lequel on trouvera une documentation, des exemples de code, et des démonstrations.

DJL est un logiciel libre sois licence Apache 2.0, disponible sur GitHub.

Google publie le framework AutoML Natural Language

Soumis par fredericmazue le

Google a récemment annoncé la disponibilité du générale du framework payant AutoML Natural Language.

AutoML Natural Language fait partie de Cloud AutoML qui est une suite de produits de machine learning qui permet aux développeurs peu expérimentés dans ce domaine d'entraîner des modèles de répondant aux besoins spécifiques de leur entreprise. Cette solution tire parti des fonctionnalités d'apprentissage par transfert de Google et de la technologie NAS (Neural Architecture Search).

Les organisations gèrent et traitent des volumes de données non structurées volumineux plus importants que jamais. Pour gérer ces informations plus efficacement, les organisations recherchent un apprentissage automatique pour aider au tri, au traitement et à l'analyse complexes dont ce contenu a besoin souligne Google.

Grâce au machine learning, Natural Language révèle la structure et la signification d'un texte. Vous pouvez extraire des informations sur des personnes, des lieux et des événements, et ainsi mieux comprendre le sentiment général qui se dégage sur les médias sociaux et les conversations avec les clients. Natural Language vous permet d'analyser du texte et de l'intégrer à votre espace de stockage de documents sur Google Cloud Storage.

Des modèles pré-entraînés de l'API Natural Language mettent à la disposition des développeurs des fonctionnalités de compréhension du langage naturel (analyse des sentiments, analyse des entités, analyse des sentiments d'entités, classification de contenu et analyse de la syntaxe).

Vous pouvez également entraîner vos propres modèles de machine learning personnalisés de haute qualité pour classer, extraire et détecter les sentiments

Site : cloud.google.com/natural-language