notre approche

LES INTELLIGENCES ARTIFICIELLES

Tout le monde parle d’Intelligence Artificielle, même s’il s’agit très souvent d’un pur argument marketing, ce terme regroupe néanmoins de nombreuses technologies.

Voici comment cela s’organise :

Machine learning :

La plus grande partie de l’intelligence artificielle est du Machine Learning qui repose entre autres sur des bases statistiques.

Réseaux de neurones :

Une branche reconnue du Machine Learning pour ses applications au sein des entreprises comprend les réseaux de neurones. Les réseaux de neurones sont les intelligences artificielles qui apprennent de leur expérience (de façon supervisée ou non) pour arriver à un objectif défini (reconnaissance d’image, de texte, prédictions…).

Deep learning:

Lorsque que ces réseaux de neurones sont composés de multiples couches alors on parle de Deep Learning ou de réseau de neurones numérique profond.
IA schema d'organisation

LE BIOMIMÉTISME

Chaque neurone numérique composant le réseau traite et répercute les informations de façon non-linéaire. Ils sont issus de l’observation du fonctionnement des systèmes nerveux biologiques que l’on retrouve dans notre cerveau.

La topologie d’un réseau de neurones numérique profond, avec les technologies existantes, ne ressemble pas à celui d’un cerveau biologique pour l’instant.

Les réseaux de neurones sont construits par des Data Scientists, ils s’appuient souvent sur une bibliothèque (comme par exemple “TensorFlow” de Google) qui permet de gagner du temps avec quelques topologies précablées.
cerveau
Représentation de la topologie du cerveau par IRM - Cardiff University
NN3D
Représentation 3D d'un réseaux en couches

DU DEEP LEARNING VERS LA DEEP-NEUROEVOLUTION

Contrairement aux typologies actuelles de réseaux de neurones (NN – Neural Network) type CNN, BPNN, Kohonen… notre technologie n’impose pas de choix préalables à l’architecture du NN à utiliser.

L’intérêt est multiple, notre environnement s’auto-architecture pour atteindre la topologie la plus optimisée à la problématique tout en gardant la plasticité inhérente aux réseaux de neurones.

Notre équipe de R&D s’efforce quotidiennement de dépasser l’état de l’art grâce au Biomimétisme.

Au cours des dernières années, les excellents résultats obtenus en deep learning au sein de la communauté, l’ont été en première instance grâce à l’augmentation de la taille des modèles de réseaux de neurones, de la taille des datasets et au travers de l’utilisation de calculateurs extrêmement plus puissant (en tirant parti des GPU et des téraoctets de données). Nous pensons que la clé d’une amélioration supplémentaire réside dans la topologie plutôt que dans la taille du réseau.

Nous pensons que la prochaine grand étape sera de trouver de nouvelles topologies de réseaux de neurones adaptatives.

Nos résultats le prouvent.

“ Les espèces qui survivent ne sont pas les espèces les plus fortes, ni les plus intelligentes, mais celles qui s’adaptent le mieux aux changements. ”
Portrait de Charles Darwin
Charles DARWIN
Naturaliste & Paléontologue
illustration virtuelle d'un reseau de neurone biologique lumineux

LA DEEP NEURO-ÉVOLUTION

La majeure partie des recherches en neurobiologie aujourd’hui se font sur la topologie des cerveaux. Le cerveau biologique n’est pas une succession de neurones mis bout à bout mais le fruit d’une évolution et d’une architecture complexe et précise.

La deep neuro-évolution consiste à introduire la notion d’évolution darwinienne pour définir la topologie adaptée à une problématique donnée.

Cette combinaison d’algorithme génétique et de réseaux de neurones, est la clé de notre approche.

Si 90% des entreprises se satisfont des librairies existantes car leurs problématiques semblent “classiques”, celles qui se distingueront seront celles qui vont atteindre le pourcentage supplémentaire nécessaire à leur métier.

Nous avons choisi une approche où la topologie est un élément variable du processus électif de nos NN. Elle reste parfaitement complémentaire aux librairies de NN qui ont déjà fait leur preuves et qui peuvent servir de base pour basculer en mode évolutif.
Exemples de mutations topologiques d’un réseau de neurones

le moteur

RAISE utilise un moteur unique de génération et d’optimisation de réseau de neurones appelé NNTO (Neural Network Topology Optimizer).

Il applique des mutations topologiques entre les phases d’apprentissage afin qu’il puisse s’affranchir des limites initiales inhérentes à la bibliothèque choisie. Il crée des entités mutantes du réseau de neurones fourni.

Quel type de mutations topologiques* sera appliqué ?

  Voici quelques exemples de mutations :
  • Ajout de neurones  
  • Ajout de couches  
  • Extraction de couches
  • Suppression des connexions inutiles
  • Changement de méthode d’activation
 

Comment sélectionnez-vous les meilleures entités ?

  Les modèles sont comparés entre eux selon leur efficacité de sorte que les plus performants d’entre eux soient choisis. L’efficacité servant à la selection des modèles peut être basée sur la précision/la performance du modèle, la vitesse d’inférence, la taille du modèle (l’impact en mémoire) ou l’ensemble de ces critères et bien d’autres.

* liste non exhaustive