machine learning

Intelligence artificielle et machine learning : IBM propose la boite à outils open source AI Fairness 360

Soumis par fredericmazue le

IBM Research met à la disposition de la communauté open source la boîte à outils AI Fairness 360, une bibliothèque d'algorithmes, de codes et de tutoriels inédits qui fournira aux universitaires, aux chercheurs et aux spécialistes des données des outils et des connaissances pour intégrer la détection des biais au fur et à mesure qu’ils construisent et déploient les modèles d’apprentissage machine.

Qu'appelle-t-on un biais (bias en anglais) en Intelligence Artificielle ou en Machine Learning ? IBM clarifie la notion dans un billet de blog présentant AI Fairness 360.

IBM explique : Les modèles d'apprentissage automatique sont de plus en plus utilisés pour éclairer les décisions importantes concernant les personnes. Bien que l’apprentissage automatique, de par sa nature même, constitue toujours une forme de discrimination statistique, la discrimination devient inacceptable quand il place systématiquement certains groupes privilégiés à l’avantage et que certains groupes non privilégiés sont systématiquement désavantagés. Cette discrimination est un biais. Les défauts( également appelés biais) dans les données, dus soit à des préjugés sur les étiquettes, soit à un sous-échantillonnage ou à un sur-échantillonnage, aboutissent à des modèles présentant un biais indésirable.  

Le package AIF360 Python contient neuf algorithmes différents, développés par la communauté de la recherche en équité algorithmique, pour atténuer les biais indésirables. Ils peuvent tous être appelés d'une manière standard, très similaire au paradigme d'ajustement / prédiction de scikit-learn.

AIF360 n'est pas simplement un package Python. C’est aussi une expérience interactive qui offre une introduction en douceur aux concepts et aux capacités de la boîte à outils. 

AIF360 contient en outre 3 didactitiels. D'autres sont à venir.

Site de ressources : aif360.mybluemix.net

AIF360 Python est sur GitHub.


Expérience interactive avec AI Fairness 360

Talend propose aux développeurs une sandbox pour mettre en oeuvre des scénarios de big data et de machine learning

Soumis par fredericmazue le

Talend a annoncé, lors de la conférence Strata Data à New York, une nouvelle sandbox qui permet aux développeurs et aux ingénieurs de données d'avoir accès à des technologies avancées de machine learning, afin qu'ils puissent facilement créer des pipelines de données intelligents. Avec la Sandbox Talend Big Data et Machine Learning et son guide d’utilisation, les ingénieurs de données peuvent utiliser des modèles prédéfinis, détaillés étape par étape, de machine learning et qui exploite Apache Spark, Spark Machine Learning Library (MLlib) et Spark Streaming, en quelques minutes et sans codage. Les personnes intéressées peuvent télécharger la Sandbox gratuitement ici.

« Il y a un énorme manque de compétences qui fait que les développeurs et les ingénieurs de données ont du mal à mettre en œuvre des scénarios de big data et de machine learning, afin de générer de la valeur  », déclare Ashley Stirrup, CMO de Talend.  « Le développement spécifique de scénarios d’intégration big data se révélent souvent problèmatique lors du passage à la production, avec des coûts de maintenance élevés, de nouvelles tâches d'intégration manuelle à effectuer et la re-implantation d'algorithmes de machine learning.  Avec la Sandbox Talend Big Data et Machine Learning, les équipes peuvent lancer des fonctionnalités de machine learning en quelques minutes, et faire plus rapidement le transition de la phase pilote à la mise en production. »

Quatre modèles prédéfinis de machine learning détaillés étape par étape, sont inclus dans un guide d’utilisation, avec la Sandbox Talend Big Data et Machine Learning. Les développeurs et ingénieurs de données peuvent rapidement démarrer avec un environnement entièrement configuré de traitement Spark et créer ainis de la valeur, en utilisant les scénarios prêts à l’emploi de Talend, notamment :

  • Moteur de recommandation : Automatise une offre de recommandation de films grâce au machine learning.
  • Moteur d'évaluation de risques en temps réel : Réduit les risques grâce à la prévision de prêts en temps réel.
  • Maintenance prédictive des objets connectés : Optimise les performances et le cycle de vie des distributeurs automatiques à l'aide des données de capteurs.
  • Optimisation d’un Data Warehouse : Décharge le traitement des données sur Spark pour une vision plus rapide et plus approfondie, à moindre coût.

La fondation Linux crée la LF Deep Learning Foundation

Soumis par fredericmazue le

Un communiqué de la fondation Linux annonce la création de la LF Deep Learning Foundation. Il s'agit d'une organisation dont le but est de soutenir l'innovation open source en intelligence artificielle, machine learning et deep learning tout en s'efforçant de ces nouvelles technologies critiques soient disponibles partout pour les développeurs et les data scientists.

Les membres fondateurs de LF Deep Learning comprennent Amdocs, AT & T, B.Yond, Baidu, Huawei, Nokia, Tech Mahindra, Tencent, Univa et ZTE. Au sein de LF Deep Learning, les membres travaillent à la création d'un espace neutre où les décideurs et les développeurs peuvent interagir et harmoniser leurs efforts et ainsi accélérer l'adoption généralisée de ces technologies.

La LF Deep Foundation accueille un premier projet : Acumos AI. Il s'agit d'une plate-forme et d'un framework open source pour faciliter la création, le partage et le déploiement d'application d'intelligence artificielle. Acumos standardise la pile d'infrastructure et les composants requis pour exécuter un environnement d'intelligence artificiel généraliste prêt à l'emploi.

Microsoft Connect(); 2017 : le développement d'applications intelligentes arrive dans Visual Studio

Soumis par fredericmazue le

A l'occasion de sa conférence Connect(); Microsoft a lancé un outil d'intelligence artificielle pour Visual Studio : Visual Studio Tools for AI. Il s'agit d'une extension à l'EDI permettant de créer, tester, déboguer et déployer des solutions douées de machines learning.

Visual Studio Tools for AI s'intègre de façon transparente avec le machine learning d'Azure, mais ne limite pas le développeur à l'utilisation de celui-ci. Au contraire, il est possible d'utiliser Microsoft Cognitive Toolkit (CNTK), Google TensorFlow, Caffe2, MXNet, ou d'autres outils de machine learning.

Visual Studio Tools for IA ne fonctionne que sur les systèmes 64 bits. En revanche il peut être utilisé sur toutes les éditions de Visual Studio 2015 ou Visual Studio 2017, y compris les éditions Community.

L'extension est également disponible pour Visual Studio Code, sous le nom Visual Studio Tools for IA.

Les deux sont acessibles sur le Market Place de Microsoft

Visual Studio Tools for IA

Visual Studio Code Tools for IA

TensorFlow Lite est disponible en préversion

Soumis par fredericmazue le

TensorFlow Lite était une des grandes annonces de Google I/O 2017. TensorFlow Lite est désormais disponible en préversion pour les développeurs.

TensorFlow Lite est une adaptation du framework de machine learning TensorFlow de Google pour les mobiles et les systèmes embarqués. TensorFlow Lite va à terme remplacer l'outil existant TensorFlow Mobile.

Avec TensorFlow Lite, Google fait d'alléchantes promesses : un outil qui permet d'amener le machine learning dans les applications mobiles moyennent un binaire de faible taille, au chargement rapide. Cet environnement d'exécution est conçu pour être multi plates-formes, avec pour commencer un support Android et iOS. Enfin sur les terminaux qui supportent la Android Neural Networks API (Android 8.1 et supérieurs) TensorFlow Lite peut bénéficier de l'accélération matérielle.

TensorFlow Lite vient déjà avec 3 modèles, conçus et optimisés pour le mobile :

  • Inception V3 : un modèle de reconnaissance d'images qui permet de détecter le sobjets dominants dans une image
  • MobileNets : un autre modèle de reconnaissance d'images, plus léger que Inception V3, mais en revanche moins précis
  • On Device Smart Reply : un modèle conversationnel qui fournit des réponses à un message texte entrant.

Un modèle déployé dans une application mobile s'appuie sur

  • une API JAva qui est un wrapper autour de l'API C++ dans le cas d'Android
  • une API C++ qui charge le modèle et invoque l'interpréteur. Cette bibliothèque est disponible sur Android et iOS
  • un interpréteur qui exécute le modèle au moyen d'un ensemble d'opérateurs.

TensorFlow Lite dispose de son site dédié sur lequel on trouvera une description de l'outil, sa documentation et un guide de démarrage.

AlphaGo affrontera Kie Jie et cinq joueurs humains en consultation

Soumis par fredericmazue le

Le principe de la partie simultanée est bien connue des joueurs d'Echecs ou de Go : un champion affronte en même temps plusieurs joueurs, en se déplaçant d'un échiquier ou d'un goban à l'autre. Moins connu est le principe de la partie en consultation. Un champion affronte alors une équipe de joueurs discutant entre eux (se consultant, d'où le nom de partie en consultation) pour déterminer le meilleur coup à jouer.

DeepMind, la filiale d'intelligence artificielle de Google, s'est récemment illustrée avec son programme de Go AlphaGo qui a battu le champion Lee Sedol. A la suite de ce succès, DeepMind s'est cherchée d'autres défis... et en a trouvé. DeepMind a annoncé qu'elle organise un festival d'intelligence artificielle en Chine, festival au cours duquel AlphaGo affrontera 5 champions de Go jouant en consultation. AlphaGo veut ainsi démontrer sa capacité à la créativité et sa capacité à réagir, à s'adapter au style combiné des joueurs.

Seront également jouées des parties entre équipes de paires de joueurs : un joueur humain et AlphaGo dans chaque équipe, les joueurs jouant dans ce cas à tour de rôle.

Mais le clou du spectacle sera incontestablement un match classique en trois parties, AlphaGo contre le jeune prodige Ke Jie, actuel champion du monde.

Ke Jie considérait AlphaGo avec un certain dédain, jusqu'à ce que ce dernier batte Lee Sedol. Il avait alors déclaré : J'avais sous-estimé la puissance d'AlphaGo avant la première manche, car je pensais que Lee Sedol pouvait le battre 5-0. Ça ne m'intéressait pas de jouer contre un adversaire facile, car je ne voulais pas gagner 100 fois sur 100 parties, mais maintenant je pense qu'on peut essayer. Face à AlphaGo, la victoire ne me semble plus aussi facile que lorsque je joue contre un autre humain, mais je continue de penser que j'ai l'avantage sur lui.

Quelques temps après, il a encore tempéré ses déclarations : AlphaGo a été parfait et n’a commis aucune erreur. Si les conditions sont les mêmes, il est très probable que je puisse perdre également.

Ce match sera donc passionnant, aussi pour les joueurs de Go que pour les amateurs d'intelligence artificielle.

Qui sera le plus fort ? Réponse au cours de ce festival qui se déroulera du 23 au 27 mai 2017.

Une simultanée de Go donnée par la joueuse chinoise Guo Juan : 

[video:https://www.youtube.com/watch?v=OtHIK9nHx14 autoplay:0]

TensorFlow est disponible en version finale

Soumis par fredericmazue le

Google utilise l'intelligence artificielle dans de nombreux domaines : la reconnaissance vocale, la recherche d'images, le pilotage de sa voiture autonome,  son moteur de recherche bien évidemment, et pour cela développe ses propres outils.

Fin 2015, Google a ouvert le code de son outil de machine learning deuxième génération : TensorFlow. Tout calcul qui peut être exprimé par un graphe de flux peut être traité par TensorFlow, précisait alors Mountain View qui ajoutait que TensorFlow est doué de facultés de deep learning.

Un après cette ouverture TensorFlow, a aidé de nombreux chercheurs ingénieurs, artistes et étudiants à progresser dans des domaines tels que la traduction, la détection des cancers de la peau, ou la prévention de la cécité chez les diabétiques, souligne un billet de blog de Google qui annonce la disponibilité de TensorFlow en version finale 1.0.

TensorFlow 1.0, qui a été présenté lors du TensorFlow Developer Summit 2017, a fait d'impressionnants progrès en termes de performances, d'après le billet, notamment grâce à son nouveau compilateur XLA qui exploite au mieux les CPU et GPU des machines. D'après Google, Inception V3, son architecture de reconnaissance d'images, voit ses performances améliorées par un coefficient 7.3 sur une machine à 8 GPU et par un coefficient 58 sur une machine équipée de 64 GPU.

TensorFlow est également plus facile à manier avec l'arrivée de nouveaux modules Python dont un, tf.keras, qui apporte la compatibilité avec Keras, une autre libraire de réseaux neuronaux.

Les API Python ont été revues pour ressembler plus étroitement aux API NumPy, ce que de nombreux chercheurs apprécieront probablement. Enfin, travailler avec TensorFlow n'oblige plus à utiliser Python. Il est désormais possible de le faire en Java ou en Go, même si le support de ces langages est pour l'instant expérimental.

 TensorFlow peut être téléchargé depuis son site dédié : www.tensorflow.org

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

[video:https://www.youtube.com/watch? v=mWl45NkFBOc autoplay:0]

Amazon GO : un supermarché sans caisse

Soumis par fredericmazue le

Le supermarché du futur est déjà une réalité à Seattle pour les employés d'Amazon, avec lesquels le concept Amazon Go est testé.

Amazon GO est un concept de supermarché sans caisse, ce qui veut dire pour le client pas de file d'attente à la caisse, pas besoin de déposer les produits achetés sur le tapis roulant de la caissière ou sur le plateau de la caisse automatique, pas de procédure de paiement. L'innovation s'arrête là : les produits en rayon ne sont pas gratuits ;-) :-)

Quand un client entre dans un supermarché Amazon Go, la seule chose qu'il doit faire est de s'identifier en faisant scanner une application sur son smartphone. Ensuite le smartphone peut retourner gentiment dans une poche ou un sac à main. Le client n'a qu'à parcourir les rayons et prendre les produits qu'il veut, comme il veut. Au moment où le client sort du magasin, son smartphone règle la note des courses automatiquement.

Dans le magasin, un système de caméra et de capteurs suit le client et scrute tous ses faits et gestes. Ainsi le système voit que le client a pris le produit X et ajoute celui-ci sur la note. Il est aussi capable de voir que le client a finalement reposé en rayon le produit Y et retire alors celui-ci de la note.

Amazon ne donne pas d'informations techniques quant au fonctionnement de ce système, mais il probable qu'il y a une bonne dose de machine learning et d'intelligence artificielle derrière.

Amazon Go est présenté comme une aubaine pour le client. Telle qu'il est présenté, cela semble effectivement fort pratique.

Mais le supermarché Amazon Go est peut-être moins une aubaine pour le marché de l'emploi. Par contre on peut parier que le concept est une aubaine pour Amazon en ce qui concerne la collecte des données personnelles, des habitudes de consommation, et pour leur exploitation marketing. De quoi reléguer d'un coup la carte de fidélité parmi les vieilleries préhistoriques.

Si la phase de test avec les employés est un succès, le premier supermarché Amazon Go devrait ouvrir ses portes au grand public début 2017.

[video:https://www.youtube.com/watch?v=NrmMk1Myrxc autoplay:0]

4,7 millions de développeurs en Europe selon Stack Overflow

Soumis par fredericmazue le

Le nombre total de développeurs professionnels en Europe s'élève désormais à 4,7 millions. Ce chiffre repose sur les données de Stack Overflow publiées aujourd'hui au sein du rapport « The State of European Tech » édité par Slush et Atomico.
 
Plus d'un demi-million (516 535) d'entre eux travaillent à Londres, Paris et Berlin. La région de Londres, qui comporte 300 345 développeurs, figure en tête du classement. Paris occupe la deuxième position avec plus de 130 000 développeurs.

Ville et rang

Nombre de développeurs en 2016

1. Londres

300 345

2. Paris

134 322

3. Berlin

81 868

4. Madrid

81 678

5. Amsterdam

66 778

6. Varsovie

63 905

7. Barcelone

51 809

8. Stockholm

51 457

9. Budapest

48 933

10. Dublin

45 583

11. Vienne

42 166

12. Prague

41 848

13. Zurich

39 623

14. Milan

39 114

15. Copenhague

39 008

16. Oslo

31 292

17. Helsinki

29 208

18. Lisbonne

28 292

19. Bruxelles

26 635

20. Cambridge

14 536

Les développeurs mobilisés autour du machine learning
 
Sur Stack Overflow, des tendances nettes apparaissent dans le domaine de la technologie de pointe. La proportion de questions posées par les développeurs européens sur l'apprentissage automatique a augmenté de 80 % depuis 2015. Il s'agit d'une augmentation significative par rapport à la hausse de 43 % enregistrée entre 2014 et 2015. En 2016, le machine learning représente ainsi près de 1 % des 723 492 questions posées par les développeurs professionnels en Europe tout au long de l'année.
 
Kevin Troy, directeur de Stack Overflow Insights, commente : « Le fait que nous ayons tant de développeurs en Europe témoigne de deux choses : nous sommes au cœur d'une véritable révolution numérique, et l'Europe est un pôle d'innovation technologique de premier ordre. Certains des travaux les plus avancés dans le monde de l'intelligence artificielle sont réalisés à Londres par des acteurs très médiatisés comme DeepMind ou de jeunes startups en vogue à l'image de Weave. Ai et de Tractable. »
 
Méthodologie : Stack Overflow Insights a analysé l'activité des développeurs sur sa plateforme de questions-réponses entre 2008 et le mois de septembre 2016, identifiant toutes les questions posées par les développeurs basés en Europe, en utilisant les balises associées à chacun des termes spécifiés (« machine learning » et « deep learning »).

Meetup Big Data & Machine Learning

Soumis par fredericmazue le

Tout récemment créé, ce meetup parlera big data, machine learning, deep learning.

Il est plus particulièrement destiné aux utilisateurs qui veulent se tenir informés sur les innovations technologiques dans ce domaine : Analytique temps réel, API, Intelligence augmentée, Algorithmes, Search...; ou comment exploiter 100% des données, qu’elles soient structurées ou non structurées. 

La première rencontre aura lieu de 22 septembre

Site : http://www.meetup.com/Big-Data-et-Machine-Learning/