Accélération de l’apprentissage machine
Microsoft a récemment annoncé une nouvelle avancée impressionnante lors du symposium Hot Chips 2017, où ils ont présenté un matériel révolutionnaire destiné à améliorer les programmes d’intelligence artificielle (IA). Ce système, baptisé Brainwave, vise à transformer l’efficacité des modèles d’apprentissage machine en les adaptant à des circuits en silicone programmables.
Réalité de l’IA en temps réel
Selon Microsoft, le modèle a été conçu spécifiquement pour le traitement de données en temps réel. Cela signifie que le système est capable de traiter les demandes presque instantanément, avec une latence extrêmement faible. Comme l’explique un responsable de Microsoft : « L’IA en temps réel est essentielle à l’heure où les infrastructures cloud doivent gérer des flux de données en direct, qu’il s’agisse de recherches, de vidéos, de données provenant de capteurs ou d’interactions utilisateur. »
Brainwave se distingue des autres matériels dédiés à l’IA par sa taille et ses capacités. Il utilise un modèle d’Unité Récurrente Gérée, capable d’atteindre une vitesse de 39,5 teraflops grâce à la puce Stratix 10 d’Intel. Un de ses grands avantages est qu’il traite les requêtes au fur et à mesure qu’elles arrivent, sans recourir à des opérations de batches, fournissant ainsi des analyses en temps réel adaptées aux systèmes d’apprentissage machine.
Support AI rapide
Avec Brainwave, Microsoft ouvre la voie à des modèles d’apprentissage profond basés sur le cloud, exécutables à travers l’énorme infrastructure de FPGA mise en place dans ses centres de données. Selon Doug Burger, un ingénieur de Microsoft Research, cela permet d’accélérer le support des fonctionnalités d’IA dans les applications, car les modèles d’apprentissage machine, souvent trop vastes pour être gérés par un seul FPGA, peuvent bénéficier d’un soutien simultané de plusieurs cartes matérielles.
L’un des atouts majeurs de Brainwave est sa capacité à offrir des performances non seulement plus rapides, mais aussi plus flexibles que d’autres processeurs tels que les CPU ou GPU traditionnels. En intégrant des logiciels compatibles avec des frameworks d’apprentissage profond populaires, ce matériel programmable pourrait rivaliser avec des puces spécifiquement conçues pour l’apprentissage machine, comme les Unités de Traitement Tensoriel de Google. Burger estime même qu’il serait possible d’augmenter la vitesse de traitement de 39,5 teraflops à 90 teraflops grâce à des améliorations futures.
À mesure que les modèles et algorithmes d’apprentissage machine sont de plus en plus utilisés dans divers domaines, l’intégration de Brainwave pourrait réduire considérablement le temps d’attente pour que ces applications répondent aux utilisateurs. À ce jour, Microsoft n’a pas rendu Brainwave accessible au public et aucun calendrier n’a été établi. Cependant, ils travaillent sur sa mise à disposition pour les clients tiers via la plateforme cloud Azure de Microsoft.
FAQ
Quelles industries pourraient bénéficier de Brainwave ?
Les secteurs tels que la santé, la finance, et la sécurité pourraient tirer parti de Brainwave pour des applications en temps réel, comme le diagnostic médical, la détection de fraudes et la surveillance des menaces.
Comment Brainwave se compare-t-il aux technologies existantes ?
Les performances de Brainwave surpasse celles des CPU et GPU classiques, en offrant une meilleure adaptabilité et des capacités de traitement en temps réel.
Quand Brainwave sera-t-il disponible pour le grand public ?
Actuellement, aucune date de lancement n’est précisée. Microsoft se concentre sur son développement et son intégration dans des solutions pour les clients tiers via Azure.
Existe-t-il des limitations avec Brainwave ?
Comme toute nouvelle technologie, les limitations peuvent inclure les coûts associés et la nécessité d’adapter les applications pour qu’elles exploitent pleinement les capacités de Brainwave.
Quels types d’applications peuvent utiliser Brainwave ?
Des applications nécessitant une traitement en temps réel, comme le streaming vidéo, le traitement de grandes quantités de données et l’analyse comportementale, pourraient tirer parti de cette technologie avancée.
