Prévoir les ressources nécessaires aux applications d’Intelligence Artificielle

Share this post:

Quelques exemples concrets reposant sur la solution IBM AC922 dotée de l’option gratuite Watson Machine Learning Community Edition.

En matière d’intelligence artificielle (IA), nous observons un équilibre entre les projets déployés dans le cloud (off premise) ou sur site (on premise). Certaines entreprises préfèrent en effet que leur projet reste en interne. L’une des raisons tient à la sensibilité des données. C’est effectivement le cas pour les secteurs de la banque, de la défense ou de la médecine. Une autre raison est la disponibilité de compétences internes. Les data-scientists recherchent à maximiser, de façon itérative, la performance des algorithmes créés. Une solution sur site s’avère, dans ce cas, moins onéreuse.

Quel que soit le cas de figure, les entreprises ont besoin de ressources de calcul. IBM a développé un serveur (AC922) doté de l’option gratuite Watson Machine Learning (Community Edition), dédiée au machine learning, deep learning et projets d’IA. Elle peut être enrichie d’un module de Computer Vision (AI Vision) qui permet l’utilisation de photos et de vidéos, afin de réaliser des projets sans connaissances avancées dans le domaine. Un module complémentaire, Watson Machine Learning Accelerator, affiche des fonctionnalités avancées pour optimiser le workflow des projets d’IA. Cette solution vient en complément de toute la gamme Watson d’outils pré-configurés et prêts à l’emploi, à l’instar des chatbots, des applications de speech-to-text[1], etc. L’AC922, sous Linux ou Ubuntu, incorpore les algorithmes open source reconnus (Tensorflow, Keras, Caffee…).

Grande distribution : une alternative à la reconnaissance RFID

Dans le retail, les distributeurs expérimentent des magasins sans caisses. Le consommateur entre dans le magasin, met les produits qu’il souhaite acheter dans son panier, ressort puis est automatiquement facturé sur son smartphone ou tout module de paiement préalablement configuré. Grâce à l’IA, des caméras reconnaissent les produits saisis, quel que soit l’angle de vue. Cela nécessite au préalable de disposer d’un très grand nombre de photos, près de 1000 pour chaque produit en vente, de les reconstituer en 3D (photogrammétrie), de les retoucher (afin de gommer les effets de luminosité), puis de construire l’algorithme qui sera en mesure de les reconnaître avec le plus faible taux d’erreur. Ce type de solution permet d’imaginer des petits magasins de proximité, proposant jusqu’à 1000 références, ouverts 24h/24, 7j/7.

Transports publics : assistance à la surveillance

Dans le secteur des transports publics (gares, aéroports, mais aussi zones commerciales…), les enjeux de sécurité peuvent entraîner des coûts élevés. C’est le cas par exemple du bagage abandonné. Ce dernier perturbe fortement les transports : mise en place d’un périmètre de sécurité, arrêt des métros, retard des vols dans un aéroport, avec des conséquences économiques importantes et une expérience utilisateur détériorée. Une piste pour limiter le nombre d’incidents est d’associer un bagage à un individu. Une personne s’éloignant de « son » bagage, au-delà d’une certaine distance, est synonyme de situation anormale.

L’IA permet de la détecter et de lancer une alerte sur l’écran, correspondant à l’endroit où cette situation anormale a été détectée. Cela constitue une aide précieuse pour les agents en charge de surveiller les écrans – peu nombreux la plupart du temps – et dont la tâche est fatigante. L’objectif est d’éviter de lancer systématiquement le processus très lourd du périmètre de sécurité, de traiter un plus grand nombre de zones et de faciliter le travail des agents.

Cela nécessite de construire des jeux de données très importants, avec différents types de bagages et d’angles de vue. Il faut donc disposer d’une puissance de calcul importante qui permette d’absorber un très grand nombre de photos.

Dans le même ordre d’idée, la surveillance des tunnels constitue un sérieux enjeu de sécurité. En France, l’un des tunnels les plus compliqués à gérer est le duplex de l’A86 et ses 350 caméras. L’idée est, là aussi, d’identifier et quantifier les incidents grâce à l’IA (voitures arrêtées, présence de piétons, démarrage de feu…), afin d’aider les opérateurs de contrôle.

Média et publicité : optimisation de la visibilité

Sur le petit écran cette fois, la publicité est la principale source de revenus, en particulier lors des matchs de football. Grâce à l’IA, un compteur analyse la durée d’apparition de la marque, laquelle varie en fonction des actions, de l’équipe qui a eu la possession du ballon la plus longue, du nombre de fois où une action est repassée, etc. Il devient alors possible pour les chaînes d’affiner leurs politiques tarifaires et le temps d’exposition des marques.

Les points communs de ces trois exemples sont la nécessité de disposer d’un ensemble important de données, la puissance de calcul qui permet de les traiter, le stockage s’y afférant et les compétences requises pour les exploiter. On note de plus en plus de similarités entre le monde du calcul intensif et celui de l’intelligence artificielle, qui font face aux mêmes problématiques. La solution AC922 proposée par IBM équipe d’ailleurs les deux plus gros super-calculateurs du monde (« Summit » et « Sierra »).

[1] Technologie speech-to-text : technologie permettant de transformer n’importe quel contenu audio en texte.