Google poursuit sa mission de « démocratiser l’IA » avec sa plate-forme Cloud AutoML, même si elle ne répond pas tout à fait aux attentes. Sans aucun détail, c’est un autre service de cloud en ligne
Bonjour, nous sommes une entreprise et nous avons besoin de votre aide.
Elle a été présentée pour la première fois au début de l’année et a été commercialisé en tant qu’outil destiné aux entreprises qui souhaitaient utiliser l’apprentissage automatique, mais qui n’avaient que peu ou pas d’expertise technologique. Si vous plissez les yeux, cela ressemble à un menu déroulant de logiciel d’IA que vous pouvez choisir de déployer – le menu offrant une reconnaissance d’image, une analyse de la langue et une traduction.
Ces trois services disponibles sont des technologies d’apprentissage très simples: de nombreux Cloud et bibliothèques de logiciels les fournissent. Cependant, Cloud AutoML semble passionnant car, selon Google, elle utilise la « recherche par architecture neuronale » et « l’apprentissage par transfert » pour créer automatiquement des réseaux neuronaux personnalisés pour vous.
Donc, si vous voulez une chose qui, par exemple, différencie les vautours des mouettes, sélectionnez l’option de reconnaissance d’image, donnez-lui un grand nombre de photos d’oiseaux, et cela créera un modèle spécial afin que vous les différenciez.
Regardons de plus près cette technologie sous-jacente.
La recherche d’architecture neuronale a été décrite comme une intelligence artificielle conçue pour l’IA. C’est un logiciel d’apprentissage automatique qui tente de créer automatiquement de nouveaux réseaux neuronaux selon vos besoins.
L’apprentissage par transfert est la capacité à former un modèle pour une tâche, puis à l’utiliser pour résoudre un problème étroitement lié, tel qu’enseigner une méthode pour maîtriser un jeu vidéo et lui faire jouer un autre titre.
Tout cela semble impressionnant, mais en réalité, ces techniques ne peuvent pas facilement être utilisées pour le même problème, comme l’a expliqué Rachel Thomas, cofondatrice de fast.ai et professeure adjointe à l’Université de San Francisco aux États-Unis.
L’apprentissage par transfert repose sur la création de réseaux neuronaux généraux capables d’appliquer leurs connaissances à un éventail de tâches. Pendant ce temps, la recherche d’architecture neuronale implique le développement d’une architecture unique spécifiquement pour un jeu de données ou un problème particulier. Ils ne s’emboîtent pas bien.
Voici comment Rachel Thomas l’explique:
Lorsque la recherche d’architecture neuronale découvre une nouvelle architecture, vous devez apprendre à peser cette architecture en partant de zéro, tandis qu’avec l’apprentissage par transfert, vous commencez avec les poids existants d’un modèle pré-formé.
En ce sens, vous ne pouvez pas utiliser l’apprentissage et le transfert de l’architecture neuronale pour le même problème: si vous apprenez une nouvelle architecture, vous devrez lui apprendre de nouveaux poids; alors que si vous utilisez l’apprentissage par transfert sur un modèle pré-formé, vous ne pouvez pas apporter de modifications substantielles à l’architecture.
On ne sait pas exactement comment Google utilise ces deux méthodes pour son offre de reconnaissance d’images Cloud AutoML, à savoir son API de vision – et a refusé d’en parler plus tôt cette année. Si vous mettez de côté l’insistance de Google sur le fait que Cloud AutoML crée automatiquement des modèles uniques pour vous, il ne vous reste plus que des outils IA standard.
En d’autres termes, sans le battage médiatique lié à la conception AI, il s’agit d’un autre service de reconnaissance d’image en ligne.
« J’ai utilisé AutoML, l’API de vision cloud, simplement pour explorer ce qu’il fait, bien que je ne connaisse personne qui l’ait utilisé en production », a déclaré Rachel Thomas.
« Il aborde une variété de sujets de vision informatiques bien étudiés, tels que l’identification des objets sur une photo et leur emplacement. Cela pourrait être un service utile, mais ces techniques sont largement implémentées et pas aussi uniques que ce que Google implique. En outre, les consommateurs peuvent choisir parmi une variété de tels services, ou les codeurs peuvent créer un tel service avec des outils open source. «
AutoML a été en mesure d’effectuer une reconnaissance d’image pendant un certain temps: la nouveauté cette semaine est le traitement du langage naturel et un service de traduction.
« AutoML Natural Language vous aide à prévoir automatiquement les catégories de texte personnalisées spécifiques aux domaines souhaités par nos clients », a expliqué Fei-Fei Li, responsable scientifique de Google AI. « Et avec AutoML Translation, vous pouvez télécharger des paires de langues traduites pour entrainer votre propre modèle de traduction personnalisé. »
Il est difficile de savoir si ces deux nouveaux services utilisent également l’apprentissage par transfert et la recherche d’architecture neuronale. Plusieurs spécialistes ont demandé à Google plus de détails. En attendant, Rachel Thomas a soutenu que le géant du Web devrait au moins être plus transparent quant à la performance de la technologie.
« Je veux juste savoir à quel point cela fonctionne et comment cela se compare aux autres options », dit-elle.
« Par exemple, j’aimerais voir Google partager des comparaisons de performances de ses services sur des problèmes spécifiques. Il est mauvais pour tout le monde quand les entreprises d’IA exagèrent leur travail et font des promesses trompeuses. A mesure que les utilisateurs finaux sont déçus, de nombreuses personnes pourraient conclure que l’IA est une fraude. «
Vendre des accès
L’ensemble de l’industrie est enclin à la « démocratisation de l’IA », l’idée que rendre les réseaux de neurones plus accessibles et faciles à utiliser est une bonne chose. Et parfois, il est utile de créer du code et des API publiques, et parfois c’est juste une tactique de vente sournoise pour attirer et verrouiller les développeurs.
« Je pense qu’il est utile et bon de créer des outils plus faciles à utiliser et d’accéder à de nouveaux accès », a déclaré Rachel Thomas. « Cependant, je pense que les entreprises doivent savoir clairement ce que ces outils peuvent et ne peuvent pas faire.
«L’industrie technologique a toujours tenter de présenter ses ventes de manière idéaliste. Par exemple, elle connecte le monde entier, alors que, en réalité, elle vend l’accès à vos données aux annonceurs.
« Je pense que cela est particulièrement prononcé pour l’IA pour plusieurs raisons. Il y a souvent une arrogance extrême. Les experts de l’IA sont constamment informés de leur caractère brillant et rare. Les consommateurs sont particulièrement vulnérables et ne peuvent pas inspecter de façon critique ce qu’ils sont vendus. «
https://www.theregister.co.uk/2018/07/24/google_automl/
https://www.fast.ai/2018/07/23/auto-ml-3/
https://cloud.google.com/vision/
https://cloud.google.com/natural-language/
https://cloud.google.com/translate/
