Commencer modestement, puis évoluer : recette pas si secrète du succès d'un projet d'IA

Commencer petit et évoluer pour réussir

Un projet pilote de traitement du langage naturel (TLN) à petite échelle conduit par un organisme français de recherche sur le cancer a généré en ensemble transformateur de résultats et d'enseignements initiaux, qui ont servi de base pour élargir la portée du cas d'emploi.

Avant que l'organisme développe sa solution, une équipe de 30 personnes devait, pendant six mois, examiner les dossiers des patients et identifier ceux répondant aux critères de participation aux essais cliniques. À l'aide des données de 24 millions de dossiers et de 1,25 million de patients, le projet pilote a classé les nouvelles informations et celles qui étaient jusqu'alors passées inaperçues. L'organisme estime que ce système pourrait ramener la totalité du processus à un jour.

L'équipe cherche à présent à faire évoluer sa solution, qui fonctionne sur des clusters équipés de processeurs Intel® Xeon® hautes performances, en renforçant les outils de recherche, en améliorant l'interface utilisateur, en optimisant encore davantage les performances et en augmentant le nombre d'utilisateurs et de centres.  

L'automatisation au rythme de la vie

La reconnaissance d'images est un autre exemple montrant comment des projets d'IA développés à partir de PoC initiaux réussis peuvent avoir un impact transformateur.

Toujours dans le secteur de la santé, les radiologues examinent chaque jour les scanners de patients pour déterminer s'ils présentent des symptômes de cancer. Il leur serait néanmoins difficile d'identifier tous les cancers sur toutes les images associées à tous les patients, indépendamment de la qualité et de la rotation de l'image. Pourtant, c'est exactement ce qu'un système de reconnaissance d'images basé sur le deep learning est capable d'apprendre et d'automatiser, à condition qu'il dispose de suffisamment de données, ce qui lui permet de traiter des images et de signaler des cancers potentiels à une vitesse et avec une précision vitales.¹

Vidéo : L'intelligence artificielle transforme la façon dont les entreprises automatisent la reconnaissance d'images pour créer de meilleures solutions métiers et réduire les coûts d'exploitation. 

Les trois facteurs technologiques qui sous-tendent les performances de l'IA²

Les performances d'une solution d'IA sont déterminées par une combinaison optimale de ressources de calcul, de logiciels et de bande passante mémoire des processeurs. L'architecture Intel® présente dans votre datacenter vous permet de créer la solution d'IA dont vous avez besoin sur le matériel que vous possédez déjà.

L'équipe de scientifiques des données d'Intel a récemment publié un article relatant ses travaux sur la classification d'images dans les domaines de la santé et des sciences du vivant :

Pour ce qui est des logiciels, en optimisant un certain nombre de bibliothèques de deep learning pour de nombreux frameworks d'IA populaires (tels que TensorFlow* et Theano*), Intel a permis aux scientifiques des données et aux développeurs de travailler avec leurs outils préférés sur du matériel Intel.

En outre, BigDL est une bibliothèque de deep learning distribuée pour Spark*, qui peut être exécutée directement sur des clusters Spark ou Apache Hadoop* existants. Elle permet de charger des modèles Torch* pré-entraînés dans le framework Spark et peut évoluer efficacement pour l'analytique à l'échelle du Big Data.

Votre entreprise est-elle prête pour l'IA ?

Intel travaille avec de nombreuses entreprises qui souhaitent déployer une solution d'intelligence artificielle. La société optimise constamment son matériel et ses logiciels pour que l'IA soit à la portée de quasiment toutes les entreprises.

Quel que soit votre stade d'avancement dans l'IA, le vaste portefeuille de solutions matérielles et logicielles d'Intel offre un riche kit d'outils pour créer l'architecture de déploiement la plus efficace pour les charges de travail d'IA. Vous pouvez vous lancer dès aujourd'hui !