Actualité Découvrez Neural Structured Learning, le nouveau framework TensorFlow pour les données structurées

Pour approfondir le sujet

TensorFlow Privacy, un nouvel outil Google pour protéger les données personnelles lors de l’entraînement des IA

Google a présenté la semaine dernière dans un article TensorFlow Privacy, son outil pensé pour la protection des données personnelles utilisées dans les phases...

Différence entre apprentissage supervisé et apprentissage non supervisé

En matière d'apprentissage automatisé, on oppose très fréquemment apprentissage supervisé et apprentissage non supervisé. L'apprentissage supervisé Bien que les deux types d'apprentissages relèvent de l'intelligence artificielle,...

Retour sur NEURONIC, le projet de Réseau Neuronal Binaire à base d’architecture hybride de mémoires intégrant des fonctions de calcul (CMOS/RRAM) pour la fusion...

Le projet NEURONIC, coordonné par Jacques-Olivier Klein du Centre de Nanosciences et de Nanotechnologies de l'Université Paris Sud, ambitionne la fabrication d'un accélérateur matériel...

Découvrez Neural Structured Learning, le nouveau framework TensorFlow pour les données structurées

Google a lancé un nouveau framework pour TensorFlow baptisé NSL (Neural Structured Learning). Open source, cet outil pour les chercheurs et développeurs en machine learning est adapté aux données structurées telles que des graphes pour l’entraînement de réseaux neuronaux profonds.

Présenté sur Medium et sur le site de TensorFlow, le framework NSL fonctionne avec la plateforme de machine learning TensorFlow. Il est destiné aussi bien aux débutants en la matière qu’aux chercheurs ayant une plus vaste expérience. Ce nouvel outil permet de générer des modèles, d’effectuer des tâches d’entraînement et prédiction à partir de données structurées, telles que celles que l’on peut trouver au sein des graphs de connaissances. Le Neural Structured Learning framework permet de faire de l’apprentissage supervisé, semi-supervisé et non-supervisé.

En tirant parti de la structure des données (et donc les relations entre elles) en plus des features (caractéristiques isolées de chaque échantillon d’un jeu de données) traditionnellement exploitées, l’outil permet d’obtenir de meilleures performances, surtout lorsque peu de données labellisées sont disponibles.

tensorflow

Ce traitement supplémentaire n’a bien sûr aucun impact sur la vitesse d’exécution des tâches d’inférence, puisque les relations sont traitées uniquement lors de l’entraînement.

Da-Cheng Juan et Sujith Ravi, qui ont tous deux travaillé à son développement, ont annoncé le lancement de NSL et indiqué que le fait de “tirer parti des signaux structurés au cours de l’apprentissage permet aux développeurs d’obtenir une plus grande précision dans les modèles. Plus précisément, lorsque la quantité de données étiquetées est relativement faible. L’entraînement avec des signaux structurés conduit également à des modèles plus robustes. Ces techniques ont été largement utilisées dans Google pour améliorer les performances des modèles, comme l’apprentissage de l’intégration sémantique d’images”.

TensorFlow2Comme l’indiquent les deux scientifiques, NSL permet aux développeurs de structurer, avec beaucoup moins de code les données ainsi que les API pour la création de réseaux adverses. Le framework comprend des APIs et des outils pour l’entraînement des modèles avec des données structurées:

  • Les APIs Keras pour permettre un entraînement avec des graphes (structure explicite) et des perturbations contradictoires (structure implicite).
  • Fonctions pour permettre l’entraînement avec structure lors de l’utilisation des APIs TensorFlow de niveau inférieur.
  • Outils pour construire des graphiques et construire des inputs de graphique pour l’entraînement.

Grâce à NSL, le modèle est obligé d’apprendre des prévisions précises tout en maintenant la similarité entre les entrées d’une même structure. Cette technique est générique et peut être appliquée à des architectures neuronales arbitraires.

Thomas Calvi

Partager l'article

Atos IT Challenge 2020 sur l’Intelligence Artificielle Coopérative – découvrez les équipes gagnantes

L'Atos IT Challenge 2020 s'est tenu cette année sur la thématique ''Intelligence Artificielle Coopérative'. Des équipes de 27 pays se sont affrontés au cours...

Marchés et des usages du numérique : Cap Digital présente sa nouvelle cartographie des tendances

Cap Digital a publié sa cartographie des tendances 2020/2021. Un dossier de 72 pages réalisé grâce à l'expertise des 1 000 membres du collectif...

Industrie 4.0 : Partenariat entre Renault et Google Cloud sur la digitalisation des usines et de la chaîne logistique

Aller plus loin dans l'industrie 4.0 grâce au machine learning et à l'intelligence artificielle, c'est l'objectif du Groupe Renault. Pour ce faire, le constructeur...

Ethique de l’intelligence artificielle : Participez à la consultation de l’UNESCO pour l’élaboration d’une recommandation

Dans le cadre de la décision de la Conférence générale de l'UNESCO lors de sa 40e session en novembre 2019, l'UNESCO s'est engagée dans...