L'IA, premiers pas décisifs dans la lutte contre le Covid
La crise a été l'occasion de rappeler la force de la science et des technologies pour améliorer nos vies. Sur ce terrain, l'intelligence artificielle a joué un rôle clé dans la lutte contre la pandémie.
La Covid-19 a fait payer un lourd tribut au monde au cours de l'année dernière. Son coût humain et économique pèsera encore pendant de nombreuses années. Néanmoins, cette crise a aussi été l'occasion de rappeler la force de la science et des technologies pour améliorer nos vies. Le développement rapide de multiples vaccins dans un délai aussi court en a été la preuve.
A titre d’exemple, l'année dernière, des chercheurs de Microsoft ont utilisé l'Intelligence Processing Unit (IPU) pour accélérer considérablement la formation des modèles d'IA conçus pour reconnaître les symptômes de Covid-19 grâce aux rayons X. En utilisant un IPU, la mise en œuvre d’un modèle a été 10 fois plus rapide qu’avec un GPU : 30 minutes pour un IPU vs 5 heures pour un GPU. Cette efficacité est d'autant plus grande dans les situations où un recyclage permanent est nécessaire, comme dans le cas d'un nouveau virus, où les données disponibles sont en constante évolution et amélioration.
Une autre équipe de chercheurs de l'université du Massachusetts Amhurst s'est pour sa part attachée à affiner les outils technologiques mis à la disposition des épidémiologistes qui étudient la propagation de Covid. Ils devaient améliorer les techniques qui permettent d'effectuer des inférences statistiques sur des modèles simulés de Covid, qui sont, à leur tour, basés sur des données du monde réel. Le processus qu'ils ont utilisé, connu sous le nom de calcul bayésien approximatif, a fonctionné environ 7,5 fois plus vite sur une IPU qu'une GPU comparable.
De tels progrès offrent un aperçu des possibilités de l’IA dans les domaines de la médecine et des sciences de la vie.
Fin 2020, le laboratoire d'IA britannique Deepmind (propriété d'Alphabet) a annoncé une énorme percée dans le domaine du pliage des protéines - le processus par lequel les scientifiques tentent de prédire la structure 3D d'une protéine sur la base de sa signature d'acides aminés. AlphaFold a donné des résultats si impressionnants que pour certains experts, le mystère du pliage des protéines a été résolu, ouvrant ainsi la voie à de nouvelles découvertes des possibilités des protéines.
DeepMind avait "résolu" le problème du repliement des protéines.
Si le rythme actuel des progrès de l'IA doit se poursuivre, il est essentiel que les systèmes informatiques nécessaires à la formation et au fonctionnement des modèles évoluent également rapidement. À ce jour, la complexité des modèles évolue bien plus rapidement que les processeurs hérités qui ont alimenté la recherche sur l'IA au cours de la dernière décennie, généralement des GPU.
Les caractéristiques et les exigences de calcul de l'IA ne ressemblent à aucun autre type de charge de travail. Et ces exigences ne font que se complexifier à mesure que la recherche en IA progresse. Les anciens processeurs ont tendance à sur-calculer les modèles, y compris les vastes pans de données d'IA qui sont vides. Multiplier 0x0 est extrêmement inefficace. Ce n'est qu'avec des systèmes et des logiciels personnalisés en silicium que vous pourrez vraiment résoudre le problème du sparse compute, des calculs où la majorité des valeurs sont nulles.
Il est remarquable de penser qu'en innovant à une telle échelle (littéralement) microscopique, nous pouvons contribuer à de formidables avancées.
2021 nous a peut-être fait prendre conscience que les grands changements sont le résultat de petites actions.