Le 14 décembre, 2018, IBM a publié NeuNetS, une capacité fondamentalement nouvelle qui comble le manque de compétences pour le développement des derniers modèles d'IA pour un large éventail de domaines d'activité. NeuNetS utilise l'IA pour synthétiser automatiquement des modèles de réseaux de neurones profonds plus rapidement et plus facilement que jamais auparavant, étendre l'adoption de l'IA par les entreprises et les PME. En automatisant entièrement le développement et le déploiement des modèles d'IA, NeuNetS permet aux utilisateurs non experts de créer des réseaux de neurones pour des tâches et des ensembles de données spécifiques en une fraction du temps qu'il faut aujourd'hui, sans sacrifier la précision.

Le besoin d'automatisation

L'IA change la façon dont les entreprises travaillent et innovent. Les réseaux de neurones artificiels sont sans doute l'outil le plus puissant actuellement disponible pour les data scientists. Cependant, alors que seule une petite proportion de scientifiques des données ont les compétences et l'expérience nécessaires pour créer un réseau de neurones hautes performances à partir de zéro, en même temps, la demande dépasse largement l'offre. Par conséquent, la plupart des entreprises ont du mal à accéder rapidement et efficacement à un nouveau réseau de neurones dont l'architecture est conçue sur mesure pour répondre aux besoins de leurs applications particulières, même au stade de la preuve de concept. Ainsi, les technologies qui comblent ce déficit de compétences en concevant automatiquement l'architecture des réseaux de neurones pour un ensemble de données donné gagnent de plus en plus en importance. Le moteur NeuNetS intègre l'IA dans ce pipeline pour accélérer les résultats. L'utilisation de l'IA pour le développement de modèles d'IA apporte un nouveau degré d'évolutivité indispensable au développement des technologies d'IA.

Sous le capot de NeuNetS

NeuNetS s'exécute sur un environnement entièrement conteneurisé déployé sur IBM Cloud avec Kubernetes. L'architecture est conçue pour minimiser l'interaction humaine, automatiser la charge de travail des utilisateurs, et s'améliorer au fil de l'utilisation. Les utilisateurs n'ont pas besoin d'écrire du code ou d'avoir de l'expérience avec les frameworks de deep learning existants :tout est automatisé, à partir de l'ingestion et du pré-traitement de l'ensemble de données, à la formation à la recherche d'architecture et au déploiement du modèle. Alors que le domaine de l'automatisation de l'IA évolue à un rythme rapide, le système doit être capable d'intégrer les dernières approches avec un impact minimal sur le service en cours d'exécution. En tant que tel, nous avons conçu le framework NeuNetS pour être flexible et modulaire, afin que de nouveaux algorithmes puissants puissent être inclus à tout moment. NeuNetS exploite les actifs IBM existants, tels que DLaaS, HPO, et WML. Les modèles de réseaux de neurones sont synthétisés sur les GPU NVIDIA Tesla V100 de dernière génération.

Une technologie de recherche de pointe

Les algorithmes NeuNetS sont conçus pour créer de nouveaux modèles de réseaux neuronaux sans réutiliser des modèles pré-entraînés. Cela nous permet d'explorer un large espace de configurations d'architecture de réseau et en même temps d'affiner le modèle pour l'ensemble de données spécifique fourni par l'utilisateur.

Le portefeuille d'algorithmes NeuNetS comprend des versions améliorées d'ouvrages récemment publiés, tels que TAPAS [3], NCEvolve [4], et HDMS [5], ainsi qu'un moteur optimiseur à grain fin. Ces algorithmes font un pas en avant par rapport à l'état de l'art dans la littérature et dans la pratique, résoudre des problèmes fondamentaux tels que la généralité des ensembles de données et l'évolutivité des performances. TAPAS est un synthétiseur de réseau de neurones extrêmement rapide, effectuer des approches proches de l'apprentissage par transfert en s'appuyant sur des mécanismes pré-générés de vérité terrain et de prédiction intelligente. NCEvolve synthétise les réseaux les plus performants, minimiser le temps de formation et les besoins en ressources. HDMS combine une version améliorée de l'hyperbande avec l'apprentissage par renforcement pour synthétiser des réseaux adaptés aux ensembles de données moins courants. Enfin et surtout, notre moteur de synthèse à grain fin utilise un algorithme évolutif pour créer des filtres de convolution personnalisés, conduisant à un réglage fin de bas niveau de l'architecture neuronale.

L'avenir de NeuNetS

Basé sur de multiples algorithmes d'optimisation et une architecture modulaire, NeuNetS peut s'adapter à un large éventail de scénarios de synthèse de modèles. Une prochaine étape consiste à permettre aux utilisateurs non seulement de mettre à jour les données, mais aussi de décider combien de temps et de ressources allouer à la synthèse du modèle, ainsi qu'éventuellement la taille maximale du modèle, et la plate-forme de déploiement cible. À cet égard, les charges de travail d'analyse de l'IoT et des séries chronologiques joueront un rôle important. Pour permettre aux utilisateurs d'utiliser efficacement les modèles synthétisés, nous créons des capacités de visualisation innovantes pour comparer les caractéristiques clés du modèle, notamment les performances, taille et type. Pour continuer à accompagner les utilisateurs une fois un modèle déployé et renforcer leur confiance en l'IA, nous travaillons sur des techniques qui améliorent la visibilité de la structure et du comportement du modèle tout au long du cycle de vie de l'IA.

Essayez NeuNetS maintenant

La version bêta de NeuNetS est disponible aujourd'hui dans le cadre du produit AI OpenScale dans Watson Studio, sur le Cloud IBM. Cette première version propose une synthèse de modèle pour la classification d'images et de textes, avec des performances similaires à celles des réseaux de neurones fabriqués à la main. Les charges de travail visuelles ont fait l'objet d'intenses recherches, développement, et des compétitions au cours de la dernière décennie et représentent donc une référence difficile. En revanche, les modèles de haute précision pour le texte ne sont pas répandus aujourd'hui, et NeuNetS aidera les utilisateurs non experts à profiter des dernières technologies disponibles dans ce domaine.

Vous pouvez accéder à ce lien :dataplatform.cloud.ibm.com/ml/neunets .

Cette histoire est republiée avec l'aimable autorisation d'IBM Research. Lisez l'histoire originale ici.