Actualités

Publié le 13 avril 2022 Mis à jour le 19 avril 2022

À la recherche d'une intelligence artificielle énergétiquement sobre

Avant que l'I.A. ne se transforme en dragon glouton

«Pour une tâche cognitive simple comme reconnaître un élément dans une image, on estime qu’une machine consomme 4 à 6 ordres de grandeur d’énergie de plus qu’un cerveau humain [1 000 à 100 000 fois plus] ! Dans un contexte où le coût financier et environnemental de production de l’énergie est sensiblement à la hausse, améliorer les performances énergétiques de l’IA s’avère une nécessité et un défi scientifique de taille».

Benjamin Guedj, à la tête d’Inria London Programme, s’intéresse aux performances de généralisation en apprentissage machine, plus particulièrement en apprentissage profond.

Il s'intéresse aux algorithmes d’apprentissage automatique comme brique de base de systèmes d’intelligence artificielle, et à la façon dont on peut caractériser et améliorer leurs performances statistiques.

Si l'I.A. est vue comme un formidable outil qui aidera les humains à gérer efficacement des environnements hyper-complexes, il faut qu'elle y arrive avec une efficacité énergétique qui soit environnementalement soutenable. L'approche par la puissance de calcul, la force brute de l'intelligence artificielle, doit être amenée au niveau de la force intelligente.

« La capacité d’apprentissage des humains est encore incomparablement plus efficace que celle des machines : un enfant reconnaît un chat après en avoir vu un pour la première fois… et il est capable de transférer cette connaissance pour comprendre qu’un chien ou un lapin, est, comme le chat, un animal, car tous partagent des traits communs (oreilles, pelage, pattes, etc.) »

Un enfant n'a pas besoin de voir des millions d'images de chat avant de pouvoir distinguer un chat d'un écureuil. Pour faire fonctionner une I.A. seulement la collecte et l'analyse de millions d'images ou de données représente déjà une consommation énergétique énorme. Il faut refaire l'exercice pour chaque nouvel élément à caractériser : voiture, vêtement, aliment, expression, etc.

C'est notre capacité de généralisation qui intéresse les chercheurs. Traduite en langage informatique comme « probablement approximativement correcte » ou PAC), il s'agit de modéliser les incertitudes dans les processus d’apprentissage machine, approche qui ouvre la voie à une analyse systématique de la propriété de «généralisation».

Distinguer les similitudes et les différences et ensuite les généraliser est une capacité sans doute développée très tôt dans l'évolution des organismes vivants, il y a va de leur survie. Cela s'inscrit probablement aussi dans l'évolution de l'I.A.


Pour l'article complet : Machine learning : comment allier performance d’apprentissage et sobriété numérique ?

En savoir plus sur cette actualité

Visiter inria.fr


Voir plus de nouvelles de cette institution
INRIA - Institut national de recherche en informatique et en automatique

Domaine de Voluceau
Rocquencourt - B.P. 105
78153 Le Chesnay
France

Tél.: 33 (0)1 39 63 55 11

Contacter

Voir le profil

Accédez à des services exclusifs gratuitement

Inscrivez-vous et recevez des infolettres sur :

  • Les cours
  • Les ressources d’apprentissage
  • Le dossier de la semaine
  • Les événements
  • Les technologies

De plus, indexez vos ressources préférées dans vos propres dossiers et retrouvez votre historique de consultation.

M’abonner à l'infolettre

Superprof : la plateforme pour trouver les meilleurs professeurs particuliers en France (mais aussi en Belgique et en Suisse)


Effectuez une demande d'extrait d'acte de naissance en ligne !


Ajouter à mes listes de lecture


Créer une liste de lecture

Recevez nos nouvelles par courriel

Chaque jour, restez informé sur l’apprentissage numérique sous toutes ses formes. Des idées et des ressources intéressantes. Profitez-en, c’est gratuit !