Concordia University
Concordia University
09/17/2024 | Press release | Distributed by Public on 09/17/2024 08:02
Des Concordiens proposent d’externaliser le travail d’IA fastidieux à l’aide d’une chaîne de blocs
Des Concordiens proposent d'externaliser le travail d'IA fastidieux à l'aide d'une chaîne de blocs
« Le processus ardu et coûteux d'entraînement d'un modèle d'apprentissage par renforcement profond ne doit pas être un frein pour les petits joueurs », estiment Ahmed Alagha et Jamal Bentahar
« L'utilisation de la production participative pour l'entraînement et la conception de l'ARP rend le procédé plus transparent et accessible », explique Ahmed Alagha (à droite) avec Jamal Bentahar
Les milieux de travail de demain s'appuieront sur une quantité phénoménale de données. Or, pour en tirer le meilleur parti, les entreprises, développeurs et utilisateurs devront pouvoir compter sur des systèmes d'intelligence artificielle (IA) plus performants, une formation poussée et des serveurs en mesure de gérer une énorme quantité de données.
Bien que les grandes entreprises du secteur des technologies de l'information disposent des ressources et de l'expertise pour répondre à cette demande, les particuliers et la plupart des petites et moyennes entreprises ne peuvent s'offrir leurs services. Afin de combler ce besoin, une équipe internationale de recherche dirigée par l'Université Concordia a élaboré un nouveau cadre qui rend les tâches complexes d'IA plus accessibles et transparentes pour les utilisateurs.
Ce cadre, décrit dans un article publié dans Information Sciences, se concentre sur l'apprentissage par renforcement profond (ARP). L'ARP est une branche de l'apprentissage machine qui combine l'apprentissage profond - qui utilise des faisceaux de réseaux neuronaux pour trouver des formes dans d'immenses jeux de données - et l'apprentissage par renforcement, dans lequel un agent apprend à prendre des décisions en se fondant sur l'évaluation positive ou négative de ses interactions avec son environnement.
L'ARP est utilisée dans des secteurs très divers, des jeux à la finance, en passant par la robotique et les soins de santé.
Le cadre associe des développeurs, des entreprises et des particuliers qui sont incapables de combler leurs besoins précis en IA avec des fournisseurs qui disposent des ressources, de l'expertise et des modèles pour y répondre. Le service est de type participatif, il est construit à partir d'une chaîne de blocs et il s'appuie sur un contrat intelligent, c'est-à-dire un contrat dont les clauses prédéterminées sont intégrées au code, afin de mettre en relation les utilisateurs avec les fournisseurs appropriés.
« L'utilisation de la production participative pour l'entraînement et la conception de l'ARP rend le procédé plus transparent et accessible », explique Ahmed Alaga, doctorant à l'École de génie et d'informatique Gina-Cody et auteur principal de l'article.
« Ce cadre permet à toute personne de s'inscrire et de créer un historique et un profil. Son expertise, sa formation et sa notation sont ensuite examinées pour lui confier des tâches demandées par des utilisateurs. »
Démocratiser l'ARP
Selon le coauteur de l'article et directeur de thèse Jamal Bentahar, professeur à l'Institut d'ingénierie des systèmes d'information de l'Université Concordia, beaucoup plus de gens qu'auparavant pourront profiter du potentiel de l'ARP grâce à ce service.
« L'entraînement du modèle d'ARP nécessite des ressources informatiques inaccessibles au commun des mortels, précise-t-il. Il vous faut aussi une certaine expertise. Notre cadre offre les deux. »
Les chercheurs estiment que leur système réduira les coûts et les risques par la répartition des tâches informatiques au travers d'une chaîne de blocs. Les conséquences potentiellement catastrophiques d'une panne de serveur ou d'une attaque malveillante seront réduites, car des douzaines - voire des centaines - d'autres machines seront alors en train de traiter le même problème.
« Quand un serveur central plante, c'est toute la plateforme qui est paralysée, expose M. Alagha. La chaîne de blocs procure répartition et transparence. Tout y étant consigné, il est très difficile de l'altérer. »
De plus, il est ardu et coûteux d'entraîner un modèle pour qu'il fonctionne selon les attentes, mais il est possible d'abréger cette étape si on dispose d'un modèle existant qui peut être modifié légèrement pour répondre aux besoins particuliers de l'utilisateur.
« Disons, par exemple, qu'une grande ville met au point un modèle capable d'automatiser la séquence des feux de circulation pour rendre le trafic plus fluide et réduire le risque d'accidents. Une petite ville qui ne dispose pas des ressources nécessaires pour créer son propre système pourrait utiliser le modèle mis au point par une grande ville et l'adapter à ses besoins propres. »
Hadi Otrok, Shakti Singh et Rabeb Mizouni de l'Université Khalifa d'Abu Dhabi ont participé à cette étude.