Comment l’apprentissage automatique permet aux ordinateurs de penser plus vite et de travailler plus intelligemment

Dans le paysage en évolution rapide des affaires et de la technologie, l’optimisation de l’efficacité informatique est essentielle pour innover. Lors de la Conférence internationale sur l’apprentissage automatique qui s’est tenue du 23 au 29 juillet à Honolulu, des chercheurs ont présenté un article explorant si un algorithme appelé Ford-Fulkerson, qui calcule le débit maximal dans un réseau, peut fonctionner plus rapidement en utilisant l’apprentissage automatique.

Les logiciels à grande échelle nécessitent souvent plusieurs machines et des centaines d’heures de puissance de calcul pour résoudre les problèmes de l’industrie. En combinant l’apprentissage automatique avec des techniques de résolution de problèmes, les ordinateurs peuvent analyser et traiter les données plus rapidement. Autre avantage : les entreprises peuvent économiser de l’énergie car les ordinateurs fonctionnent plus efficacement et consomment moins d’énergie.

« Nous observons souvent un phénomène dans la pratique lié à la performance d’un algorithme, et nous ne comprenons pas totalement pourquoi cela se produit. Un exemple est l’utilité des démarrages à chaud », a déclaré Sami Davies, Ph.D., post-doctorant. chercheur à l’Université Northwestern. « Si nous pouvons comprendre pourquoi quelque chose se passe, alors nous pouvons l’exploiter et l’utiliser à notre avantage. »

Qu’est-ce qu’un « démarrage à chaud ? » Imaginez quelqu’un jouant à un jeu vidéo pour la première fois ; le joueur ne connaît pas ce jeu et les obstacles auxquels il est sur le point de faire face. Un joueur utilisera les connaissances de jeux similaires auxquels il a joué dans le passé à l’approche du nouveau jeu. Cet avantage est comme un « démarrage à chaud ».

Benjamin Moseley, Ph.D., professeur agrégé à la Tepper School of Business de l’Université Carnegie Mellon et co-auteur de l’étude publiée dans le Actes de la 40e conférence internationale sur l’apprentissage automatiquenote que les entreprises utilisent la conception d’algorithmes de démarrage à chaud depuis les années 1970.

« Nous voulions explorer si l’apprentissage automatique pouvait être associé à des techniques traditionnelles pour débloquer des améliorations de performances », a déclaré Moseley. « En particulier, nous avons demandé : les solutions prédites peuvent-elles être utilisées comme point de départ pour que le logiciel s’exécute plus rapidement ? »

Pour cette étude, ils ont évalué la segmentation d’image, un problème central lorsque les ordinateurs analysent une image pour séparer un objet de l’arrière-plan. La segmentation d’images, par exemple, est utilisée dans les voitures autonomes pour détecter et reconnaître les piétons et dans l’imagerie médicale pour identifier les tumeurs.

En utilisant des photographies de choses courantes comme des personnes, des animaux et des objets, ils ont testé leur théorie et ont découvert que la segmentation d’image à l’aide du démarrage à chaud entraînait une segmentation d’image plus rapide que le démarrage à froid.

« Ce document propose une solution qui peut tirer parti de bonnes prédictions et qui est robuste aux erreurs de prédiction », a déclaré Moseley. « En s’appuyant sur la technologie que les entreprises utilisent depuis des décennies, nos résultats montrent que cette approche peut améliorer la vitesse de calcul sans sacrifier la précision ou la fiabilité des prédictions de l’algorithme. »

Moseley souligne qu’il reste encore des défis à surmonter, comme savoir quoi faire lorsque les prédictions sont erronées. Ils veulent également explorer si d’autres algorithmes peuvent bénéficier de techniques similaires.

Cette recherche a donné un exemple d’une approche bien établie qui peut être considérablement améliorée en utilisant l’approche de démarrage à chaud. L’étape suivante consiste à identifier d’autres cas où le démarrage à chaud pourrait améliorer les performances. L’équipe explore les algorithmes de recherche locale, qui sont une approche courante utilisée dans les applications d’intelligence artificielle et d’apprentissage automatique.