IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)
Navigation

Inscrivez-vous gratuitement
pour pouvoir participer, suivre les réponses en temps réel, voter pour les messages, poser vos propres questions et recevoir la newsletter

Intelligence artificielle Discussion :

Google rend open source TensorFlow, son tout nouveau système de machine learning


Sujet :

Intelligence artificielle

  1. #1
    Chroniqueur Actualités
    Avatar de Michael Guilloux
    Homme Profil pro
    Data Consultant
    Inscrit en
    Juillet 2013
    Messages
    2 875
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Âge : 33
    Localisation : Côte d'Ivoire

    Informations professionnelles :
    Activité : Data Consultant
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Juillet 2013
    Messages : 2 875
    Points : 86 930
    Points
    86 930
    Billets dans le blog
    2
    Par défaut Google rend open source TensorFlow, son tout nouveau système de machine learning
    Google rend open source TensorFlow
    Son tout nouveau système de machine learning

    Il y a quelques années, les applications de Google n’étaient « pas assez intelligentes » pour exécuter convenablement certaines requêtes des utilisateurs. Il n’était par exemple pas propice de parler à l’application Google dans un endroit bruyant, parce que tout bruit externe affectait de manière considérable le système de reconnaissance vocale. Mais aujourd’hui, cela s’est beaucoup amélioré grâce au machine learning sur lequel un nombre croissant de produits de Google est basé. Cela a permis à la firme de rendre ses applications plus intelligentes, mais elle compte atteindre des résultats plus pertinents avec son nouveau système de machine learning baptisé TensorFlow.

    S’il est encore à ses débuts, TensorFlow de l’équipe Google Brain est déjà utilisé pour la reconnaissance vocale dans l’application Google ou pour chercher dans Google Photos. Il est aussi utilisé pour Smart Reply, une fonctionnalité récemment introduite dans l’application Inbox, qui est capable d’analyser des messages reçus et proposer des réponses à l’utilisateur.

    « TensorFlow est plus rapide, plus intelligent et plus souple que notre ancien système, de sorte qu’il peut être adapté plus facilement à de nouveaux produits et à la recherche », explique Sundar Pichai, PDG de Google. « C'est un système de machine learning hautement évolutif - il peut fonctionner sur un simple smartphone ou à travers des milliers d’ordinateurs dans les datacenters », a-t-il ajouté.

    TensorFlow permet la construction de réseaux de neurones jusqu’à cinq fois plus vite par rapport à l’ancien système de Google, ce qui garantit donc qu’il peut être utilisé pour améliorer les applications plus rapidement. Toutefois, même avec ces performances, le PDG de Google reconnaît que le machine learning n’est qu’à un stade précoce au point où « les ordinateurs d’aujourd’hui ne peuvent toujours pas faire ce qu’un enfant de quatre ans peut faire sans effort ». Pour cette raison, la société rend l’outil open source pour permettre à la communauté du machine learning de progresser rapidement dans les recherches, en échangeant des idées sur un code qui marche, plutôt que de s’établir juste sur des documents de recherche.

    Dans un message Google+, Vincent Vanhoucke, chercheur chez Google décrit TensorFlow comme un framework de deep learning, une branche du machine learning, qui vient avec une interface Python facile à utiliser, et qui prend également en charge le langage C++. Le support de bien d’autres langages est également prévu dans le système de Google.

    Essayez TensorFlow

    Sources : Blog Google, Google+, Google Git

    Et vous ?

    Qu’en pensez-vous ?

    Voir aussi

    Forum Intelligence artificielle
    Forum Statistiques prédictives
    Contribuez au club : Corrections, suggestions, critiques, ... : Contactez le service news et Rédigez des actualités

  2. #2
    Membre habitué
    Homme Profil pro
    Directeur Recherche et développement
    Inscrit en
    Janvier 2012
    Messages
    58
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : France

    Informations professionnelles :
    Activité : Directeur Recherche et développement
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Janvier 2012
    Messages : 58
    Points : 156
    Points
    156
    Par défaut
    Il y a 30 ans lors du début de ma carrière, on parlait beaucoup des réseaux neuronaux, Voir est de constater que malgré quelques succès cette technologie n'a jamais véritablement percé. Cette ouverture me semble un autre "ultime" effort pour faire fonctionner cette technologie. Pour le moment j'attendrais avant de se lancer dans cette avenue technologique, des percées vraiment percutantes. Les preuves restent toujours à faire...

  3. #3
    Responsable Qt & Livres


    Avatar de dourouc05
    Homme Profil pro
    Ingénieur de recherche
    Inscrit en
    Août 2008
    Messages
    26 609
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : France, Val de Marne (Île de France)

    Informations professionnelles :
    Activité : Ingénieur de recherche
    Secteur : Enseignement

    Informations forums :
    Inscription : Août 2008
    Messages : 26 609
    Points : 188 582
    Points
    188 582
    Par défaut
    En effet, les réseaux neuronaux d'il y a trente ans ne sont pas exactement à la pointe de la technologie. Par contre, quelques améliorations les portent au devant de la scène, sous le sobriquet de techniques d'apprentissage profond (avec des réseaux convolutionnels profonds, notamment). Maintenant, évidemment, tout dépend du domaine d'application.
    Vous souhaitez participer aux rubriques Qt (tutoriels, FAQ, traductions) ou HPC ? Contactez-moi par MP.

    Créer des applications graphiques en Python avec PyQt5
    Créer des applications avec Qt 5.

    Pas de question d'ordre technique par MP !

  4. #4
    Membre actif
    Homme Profil pro
    Développeur Web
    Inscrit en
    Avril 2012
    Messages
    133
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : France, Haute Garonne (Midi Pyrénées)

    Informations professionnelles :
    Activité : Développeur Web
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Avril 2012
    Messages : 133
    Points : 208
    Points
    208
    Par défaut
    Cette technologie n'a jamais véritablement percé.
    Sauf erreur de ma part, la reconnaissance d'images et de sons se fait via les réseaux neuronaux et les résultats sont assez bon.

  5. #5
    Membre averti

    Profil pro
    Étudiant
    Inscrit en
    Décembre 2004
    Messages
    499
    Détails du profil
    Informations personnelles :
    Âge : 37
    Localisation : France

    Informations professionnelles :
    Activité : Étudiant

    Informations forums :
    Inscription : Décembre 2004
    Messages : 499
    Points : 422
    Points
    422
    Par défaut
    les RNN (deep learning = réseau de neurone où les couches sont self-recurrent + couches convolutionnal + couches de long short-term memory...) ne sont qu'une petite partie de l'apprentissage automatique. apprenez à nommer vos articles.

    Citation Envoyé par ChristianRoberge Voir le message
    Il y a 30 ans lors du début de ma carrière, on parlait beaucoup des réseaux neuronaux, Voir est de constater que malgré quelques succès cette technologie n'a jamais véritablement percé. Cette ouverture me semble un autre "ultime" effort pour faire fonctionner cette technologie. Pour le moment j'attendrais avant de se lancer dans cette avenue technologique, des percées vraiment percutantes. Les preuves restent toujours à faire...
    ça revient à la mode grâce à des succès : regarde http://karpathy.github.io/2015/05/21/rnn-effectiveness/ ou http://cs.stanford.edu/people/karpathy/convnetjs/

    moi ça m'a convaincu pour étudier les nouvelles techniques d'apprentissage et de design de réseau de neurone qui ont largement progressé.

  6. #6
    Chroniqueur Actualités
    Avatar de Michael Guilloux
    Homme Profil pro
    Data Consultant
    Inscrit en
    Juillet 2013
    Messages
    2 875
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Âge : 33
    Localisation : Côte d'Ivoire

    Informations professionnelles :
    Activité : Data Consultant
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Juillet 2013
    Messages : 2 875
    Points : 86 930
    Points
    86 930
    Billets dans le blog
    2
    Par défaut TensorFlow Serving : un outil open source de Google
    TensorFlow Serving : un outil open source de Google
    Pour faciliter la mise en production des modèles de machine learning

    En novembre dernier, Google a fait passer TensorFlow, son tout dernier système de machine learning, en open source. TensorFlow était encore à ses débuts en ce moment, alors que Google l’annonçait plus rapide, plus intelligent et plus souple que son ancien système de machine learning, de sorte qu’il peut être adapté plus facilement à de nouveaux produits et à la recherche.

    TensorFlow permet la construction de réseaux de neurones jusqu’à cinq fois plus vite par rapport à l’ancien système de Google et est utilisé dans de nombreux produits de la firme. Il alimente par exemple la reconnaissance vocale dans l’application Google et est encore utilisé pour chercher dans Google Photos. Il est aussi utilisé pour Smart Reply, une fonctionnalité de l’application Inbox, qui est capable d’analyser des messages reçus et proposer des réponses à l’utilisateur.

    Pour accompagner les développeurs qui utilisent déjà sa technologie de machine learning et intéresser de nombreux autres, Google vient encore de rendre open source un autre outil complémentaire baptisé TensorFlow Serving. Ce nouvel outil open source permet aux développeurs de déployer plus facilement leurs modèles de machine learning construits avec TensorFlow. D’après Noah Fiedel, un ingénieur de Google, « TensorFlow Serving rend plus facile et plus rapide le processus de mise en production d’un modèle », a-t-il expliqué dans un billet de blog. Il ajoute encore que TensorFlow Serving « vous permet de déployer en toute sécurité de nouveaux modèles et faire des tests tout en gardant les mêmes architecture de serveur et API ».

    Il faut retenir que TensorFlow Serving est orienté vers la phase d’inférence. En d’autres termes, après que les développeurs aient formé leurs modèles sur de grands ensembles de données, TensorFlow Serving se charge de les rendre utilisables dans des environnements de production. Les développeurs pourront donc utiliser les API du nouvel outil open source pour tirer des conclusions sur la base de nouvelles données.

    TensorFlow Serving est conçu pour s’exécuter nativement et de manière optimale avec le système de machine de learning de Google, TensorFlow. Toutefois, la société explique qu’il peut également supporter d’autres systèmes.

    En ce qui concerne les performances de cet outil de mise en production des modèles de machine learning, Google met en avant sa capacité de gérer plus de 100 000 requêtes par seconde et par cœur sur une machine Xeon de 1  vCPU, selon ses benchmarks. Google note également que TensorFlow Serving peut faire usage de ressources GPU disponibles sur une machine pour accélérer le traitement.

    Le code source de TensorFlow Serving est disponible sur GitHub sous la licence Apache 2.0. Google met également à votre disposition un certain nombre de tutoriels pour vous accompagner.

    Sources : Google Open Source Blog, GitHub

    Et vous ?

    Avez-vous déjà utilisé TensorFlow ? Quelles sont vos impressions ?
    Que pensez-vous de ce nouvel outil de mise en production des modèles de machine learning ?

    Voir aussi

    Google rend open source TensorFlow, son tout nouveau système de machine learning
    Microsoft publie sa solution d'apprentissage profond pour la reconnaissance vocale, CNTK dépasse en rapidité les logiciels existants
    Forum Intelligence artificielle
    Forum Statistiques prédictives
    Contribuez au club : Corrections, suggestions, critiques, ... : Contactez le service news et Rédigez des actualités

  7. #7
    Chroniqueur Actualités

    Homme Profil pro
    Administrateur de base de données
    Inscrit en
    Mars 2013
    Messages
    8 385
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : Canada

    Informations professionnelles :
    Activité : Administrateur de base de données

    Informations forums :
    Inscription : Mars 2013
    Messages : 8 385
    Points : 196 440
    Points
    196 440
    Par défaut Google publie l'API TensorFlow Object Detection pour faciliter l'identification des objets dans les images
    Google publie l'API TensorFlow Object Detection pour faciliter l'identification des objets dans les images
    aux développeurs

    Google publie une nouvelle API de détection d'objets TensorFlow pour faciliter aux développeurs et chercheurs l’identification des objets dans les images. L'API TensorFlow Object Detection est un framework open source intégré à TensorFlow qui permet de construire, de former et de déployer facilement des modèles de détection d'objets, conçu pour supporter des modèles à la fine pointe de la technologie tout en permettant une exploration et une recherche rapides.

    « Chez Google, nous développons des systèmes d'apprentissage machine (AM) à la fine pointe de la technologie pour une vision par ordinateur qui, non seulement peuvent être utilisés pour améliorer nos produits et nos services, mais également stimuler les progrès dans le milieu de la recherche. La création de modèles AM précis, capables de localiser et d'identifier de multiples objets dans une seule image, reste un défi majeur dans le domaine, et nous investissons beaucoup de temps dans la formation et l’expérimentation de ces systèmes », ont expliqué Jonathan Huang, Research Scientist et Vivek Rathod, Ingénieur logiciel.


    Les collègues indiquent qu’en octobre dernier, ce système interne de détection d'objets a permis d'obtenir de meilleurs résultats et a obtenu la première place dans un défi de détection COCO (Common Objects in Context). Depuis lors, ce système a été évoqué par un certain nombre de publications de recherche et a été implémenté dans des produits Google tels que NestCam, les éléments similaires et les idées de style dans Recherche d'images et Numéro de rue ainsi que la détection de nom dans Street View.

    Pour rappel, depuis le mois d’avril, Google a lancé la fonctionnalité « style idea » dans son application de recherche d’image sur Android pour inspirer les utilisateurs et leur proposer une grille d'images et de tenues de style de vie qui montrent comment le produit de leur choix peut être porté dans la vie réelle. « Avec “idées de style”, vous pouvez voir les options de la vie réelle de ce à quoi le sac et le jeans ont l'air avec ces talons hauts rouges que vous avez regardés. »

    « En prime, vous verrez également un carrousel élargi pour des "articles similaires" lors de la recherche de produits d'habillement. Cela signifie que si vous recherchez des shorts et des baskets ou alors des lunettes de soleil et des sacs à main, vous pourrez trouver des offres de produits qui conviennent à vos goûts. La découverte d'une option de négociation sans sacrifier le style est désormais accessible depuis la recherche d'image. »


    « Aujourd'hui, nous sommes heureux de mettre ce système à la disposition de la communauté de recherche plus large via l'API TensorFlow Object Detection », se sont-ils réjouis. « Nos objectifs dans la conception de ce système étaient de soutenir les modèles à la fine pointe de la technologie tout en permettant une exploration et une recherche rapides », ont-ils continué.

    Cette première version contient une sélection de modèles de détection qui peuvent apprendre, parmi lesquels :
    • Single Shot Multibox Detector (SSD) avec MobileNets ;
    • SSD avec Inception V2 ;
    • Region-Based Fully Convolutional Networks (R-FCN) avec Resnet 101 ;
    • Faster RCNN avec Resnet 101 ;
    • Faster RCNN avec Inception Resnet v2.

    Google assure que les modèles SSD qui utilisent MobileNet sont légers, de sorte qu'ils peuvent être exécutés de manière confortable en temps réel sur des appareils mobiles.

    Cette première version contient également un cahier Jupyter pour effectuer des inférences prêtes à l'emploi avec l'un des modèles publiés par Google. Les collègues indiquent qu’elle s’accompagne également des scripts de formation locaux pratique ainsi que des pipelines de formation et d'évaluation distribués via Google Cloud.

    Source : Google
    Contribuez au club : Corrections, suggestions, critiques, ... : Contactez le service news et Rédigez des actualités

Discussions similaires

  1. Réponses: 9
    Dernier message: 18/09/2015, 10h39
  2. Bazel, l'outil de build des logiciels de Google devient Open Source
    Par Siguillaume dans le forum Logiciels Libres & Open Source
    Réponses: 3
    Dernier message: 10/09/2015, 23h18
  3. inserer un code open source dans son programme
    Par info help dans le forum Débuter
    Réponses: 9
    Dernier message: 10/05/2012, 12h46
  4. Facebook rend open source Ringmark
    Par Hinault Romaric dans le forum Général Conception Web
    Réponses: 2
    Dernier message: 16/04/2012, 17h02
  5. Open Source : doit on tout partager ?
    Par darksam dans le forum Licences
    Réponses: 3
    Dernier message: 14/05/2007, 14h58

Partager

Partager
  • Envoyer la discussion sur Viadeo
  • Envoyer la discussion sur Twitter
  • Envoyer la discussion sur Google
  • Envoyer la discussion sur Facebook
  • Envoyer la discussion sur Digg
  • Envoyer la discussion sur Delicious
  • Envoyer la discussion sur MySpace
  • Envoyer la discussion sur Yahoo