DIPVIEW

L’objectif du projet est la création d’une start-up qui vise à proposer des produits et services pour optimiser et accélérer l’apprentissage profond sur des architectures parallèles et hétérogènes. Ceci notamment en mettant en oeuvre un recommandeur qui permet de réduire le coût énergétique/empreinte carbone d'entraînement des modèles deep learning.

Le projet Dipview est composé de deux composants principaux :

• Le framework Auto-CNNp (Automatic CNN parallelization) basé sur les composants logiciels qui automatisent le processus de la parallélisation de l'entraînement des architectures (convolutional neural networks) CNNs.

• Un recommandeur multicritères pour une configuration idéale des ressources pour l'entraînement deep learning

• Automatisation de la parallélisation d'entraînement des CNNs
• Accélération significative du processus d'entraînement
• Diminution de la frugalité de l’IA

Une preuve de concept (POC) de la solution Auto-CNNp sur des applications médicales (COVID,…) a été implémentée, évaluée et validée au-dessus de TensorFlow et Horovod.

• Médical pour le diagnostic de diverses pathologies (tumeurs cérébrales)
• Robotique industrielle
• Voitures autonomes
• La formation et la reconversion professionnelle au deep learning