Microsoft propose en open source Infer.NET, un framework de machine learning
Microsoft propose en open source son framework de machine learning Infer.NET,
avec une licence permissive MIT pour une utilisation libre dans des applications commerciales
Microsoft a annoncé la disponibilité en open source de son framework Infer.NET avec une licence permissive MIT pour une utilisation libre dans des applications commerciales.
L'équipe responsable de son développe avance ceci :
« Proposer en open source Infer.NET représente l'aboutissement d'un long et ambitieux voyage. Notre équipe de Microsoft Research à Cambridge, au Royaume-Uni, a entrepris de développer le framework en 2004. Tout au long de notre parcours, nous avons tiré des leçons dans la création de solutions d’apprentissage automatique évolutives et interprétables. Infer.NET a été initialement conçu comme un outil de recherche et nous l'avons publié à des fins académiques en 2008. En conséquence, des centaines d'articles qui s’appuyaient sur le framework ont été publiés dans divers domaines allant de la récupération d'informations aux soins de santé. En 2012, Infer.NET a même remporté un prix Brevets pour l'humanité pour son aide à la recherche en épidémiologie, sur les causes génétiques des maladies, la déforestation et l'asthme.
« Au fil du temps, cet outil de recherche est devenu le moteur d’apprentissage automatique de nombreux produits Microsoft dans Office, Xbox et Azure. Un exemple récent est TrueSkill 2 - un système qui fait correspondre les joueurs dans les jeux vidéo en ligne. Mis en œuvre dans Infer.NET, il tourne en direct dans les titres à succès Halo 5 et Gears of War 4, traitant des millions de correspondances ».
Comment Infer.NET se distingue-t-il de la concurrence ?
Dans un contexte où les bibliothèques d'apprentissage automatique se font de plus en plus abondantes, qu'est-ce qui différencie Infer.NET de la concurrence ? L’équipe explique que Infer.NET permet une approche basée sur un modèle pour l'apprentissage automatique. Cela vous permet d'intégrer la connaissance du domaine dans votre modèle. Le framework peut alors construire un algorithme d’apprentissage machine sur mesure directement à partir de ce modèle. Cela signifie qu'au lieu de devoir mapper votre problème sur un algorithme d'apprentissage préexistant qui vous a été fourni, Infer.NET construit un algorithme d'apprentissage pour vous, basé sur le modèle que vous avez fourni.
Un autre avantage de l'apprentissage automatique basé sur des modèles est l'interprétabilité. Si vous avez conçu le modèle vous-même et que l'algorithme d'apprentissage suit ce modèle, vous pouvez alors comprendre pourquoi le système se comporte de manière particulière ou fait certaines prédictions. Au fur et à mesure que les applications d’apprentissage automatique entrent dans nos vies, comprendre et expliquer leur comportement prend de plus en plus d’importance.
L'équipe Infer.NET. Rangée du haut, de gauche à droite: Martin Kukla, John Guiver, Tom Minka, John Winn, Sam Webster et Dany Fabian. Rangée du bas, de gauche à droite: Pavel Myshkov, Yordan Zaykov, Alex Spengler.
L'apprentissage automatique basé sur un modèle s'applique naturellement aussi aux problèmes liés à certains traits de données, tels que les données en temps réel, les données hétérogènes, les données insuffisantes, les données non étiquetées, les données avec des parties manquantes et les données collectées avec des biais connus.
Dans Infer.NET, les modèles sont décrits à l'aide d'un programme probabiliste. « Cela peut ressembler à un oxymore, mais c’est en fait un concept puissant utilisé pour décrire des processus réels dans un langage compris par les machines. Infer.NET compile le programme probabiliste en code haute performance pour mettre en œuvre quelque chose de cryptiquement appelé inférence bayésienne approximative déterministe. Cette approche permet une extensibilité substantielle. Par exemple, nous l’utilisons dans un système qui extrait automatiquement les connaissances de milliards de pages Web, comprenant des pétaoctets de données », explique l’équipe.
Selon elle, « L'utilisation d'algorithmes d'inférence déterministe est complémentaire aux méthodes principalement basées sur l'échantillonnage de la plupart des autres cadres de programmation probabilistes. L'une des fonctionnalités clés de notre approche est la prise en charge de l'inférence bayésienne en ligne, à savoir la capacité du système à apprendre lorsque de nouvelles données arrivent. Nous avons constaté que cela est essentiel pour les produits destinés aux entreprises et aux particuliers qui interagissent avec les utilisateurs en temps réel. Par exemple, dans le système TrueSkill 2 susmentionné, afin de proposer des matchs compétitifs, nous devons mettre à jour les compétences des joueurs immédiatement après chaque tour. Et nous le faisons en une milliseconde seulement ».
Conclusion
Pour résumer, l’équipe estime qu’Infer.NET pourrait vous être utile dès lors que vous avez une connaissance approfondie du domaine dans lequel vous résolvez un problème, ou si l'interprétation du comportement du système est importante pour vous ou si vous avez un système de production. qui doit apprendre au fur et à mesure que de nouvelles données arrivent.
Source : Microsoft
Et vous ?
Que pensez-vous de ce framework ?
Voir aussi :
Répondre avec citation
Envoyé par rempo8
Partager