Nous sommes spécialisés dans l’Intelligence Artificielle, le Machine Learning, le Deep Learning et la Computer Vision.
Intelligence artificielle
Impulse, le Design Center de LACROIX est spécialisé dans l’intelligence artificielle, l’apprentissage automatique, l’apprentissage profond et la vision par ordinateur et nous proposons un accompagnement personnalisé aux entreprises désireuses d’intégrer des applications basées sur l’IA.
L’intelligence artificielle couvre le domaine des systèmes informatiques capables d’effectuer des tâches nécessitant normalement l’intelligence humaine ou animale, telles que la perception visuelle, la reconnaissance vocale, la prise de décision et la traduction entre langues.
- Traitement du langage naturel (texte à parole, parole à texte),
- Perception visuelle (vision industrielle, reconnaissance d’images)
- Intelligence sociale (simulation des sentiments humains, des émotions et de l’humeur)
- Planification et optimisation (agent intelligent, multi-agents)
- Systèmes experts (résolution de problèmes)
- Robotique (mouvement et manipulation)
Apprentissage automatique et Apprentissage profond
Le Machine Learning est une subdivision de l’IA tandis que le Deep Learning est une subdivision du Machine Learning. L’apprentissage automatique vise à permettre aux systèmes d’effectuer des tâches sans programmation explicite. Le Deep Learning fait de même, mais il s’appuie sur des réseaux de neurones artificiels (ANN).
Impulse a développé ses compétences en Machine Learning et en Deep Learning pour concevoir les solutions clients les plus pertinentes, que les algorithmes soient situés en périphérie ou sur site.
Les systèmes basés sur l’apprentissage automatique et l’apprentissage profond nécessitent une approche en deux phases :
La première est appelée la phase de formation. Il fait référence au processus de création d’un algorithme/modèle d’apprentissage automatique et de son apprentissage. La seconde est la phase d’inférence et fait référence au processus d’utilisation d’un algorithme d’apprentissage automatique entraîné pour effectuer une prédiction.
Deux technologies complémentaires
L’apprentissage automatique et l’apprentissage profond ne peuvent pas être opposés. L’apprentissage profond peut analyser des images, des vidéos et des données non structurées d’une manière que l’apprentissage automatique ne peut pas faire facilement. Il nécessite moins d’intervention humaine continue et offre de meilleures performances, mais il nécessite également beaucoup plus de puissance de calcul que l’apprentissage automatique.
Le deep learning divise la tâche de reconnaissance des voitures en plusieurs couches : une couche d’algorithme apprend à reconnaître les pneus, une autre la roue, etc. Une fois connectées les unes aux autres, ces couches ont intégré une capacité globale de reconnaissance des voitures afin qu’à chaque fois un nouveau l’image est présentée, ils peuvent en effet reconnaître le bon véhicule.
Facteurs de réussite
L’apprentissage automatique peut être classé en fonction de ses facteurs de réussite dans l’industrie :
- Enseignement supervisé
- Transférer l’apprentissage
- Apprentissage non supervisé
- Apprentissage par renforcement
Dans les approches d’apprentissage supervisé et d’apprentissage par transfert, l’ingénieur doit entraîner le modèle avec des données préalablement étiquetées (annotées). La création de données étiquetées coûte cher car la tâche est souvent effectuée manuellement (annoter toutes les voitures, tous les camions et tous les piétons dans une image par exemple).
Pendant que l’apprentissage supervisé entraîne le modèle à partir de zéro, l’apprentissage par transfert s’appuie sur un modèle déjà entraîné avec un ensemble de données génériques et recycle le modèle avec une quantité limitée de données étiquetées spécialisées. Des ensembles de données génériques tels que des ensembles de données publics peuvent être utilisés, mais les droits de propriété intellectuelle et la conformité au RGPD doivent être vérifiés avant de les utiliser.
Dans l’approche d’apprentissage non supervisé, il n’est pas nécessaire d’annoter les données, ce qui ne signifie pas qu’il n’est pas nécessaire d’avoir un ensemble de données. Les algorithmes découvrent des modèles cachés ou des regroupements de données sans nécessiter d’intervention humaine. L’apprentissage non supervisé convient par exemple pour faire des prédictions.
Dans l’approche d’apprentissage par renforcement, le modèle d’apprentissage automatique est entraîné pour prendre une séquence de décisions. L’agent apprend à atteindre un objectif dans un environnement incertain et potentiellement complexe. L’apprentissage par renforcement est utilisé dans des domaines tels que les jeux par exemple.
Impulse a combiné avec succès des techniques d’apprentissage supervisé, d’apprentissage par transfert et d’apprentissage non supervisé pour faire des prédictions d’anomalies dans les flux vidéo où l’anomalie est caractérisée par la prévalence et l’apparition de certains comportements.
Compromis des experts
Chaque fois que l’inférence d’apprentissage profond doit avoir lieu sur l’appareil de pointe, des compromis doivent être faits afin de maintenir le traitement informatique et la latence acceptables d’une part, tout en gardant la précision et le rappel aussi élevés que possible d’autre part. Le traitement en périphérie est particulièrement utile pour réduire la bande passante globale des données nécessaire.
Les ingénieurs d’Impulse ont développé une expertise approfondie dans la découpe des couches de réseaux neuronaux, la sélection de réseaux neuronaux adaptés aux capacités informatiques des plates-formes de pointe, la formation des réseaux avec des techniques spécifiques telles que la formation prenant en compte la quantification, la quantification post-formation ou l’élagage du réseau.
Nous avons également acquis de l’expérience au travers de projets sur la manière de réduire la quantité d’ensemble de données de formation nécessaire pour former les réseaux de neurones tout en optimisant les résultats des métriques.