Des pistes techniques pour une IA plus frugale

Résumé

Cette ressource a pour objectif d’afficher de manière succincte divers pistes évoquées à travers les autres ressources agrégées ici. Elles n’ont pas vocation de proposer un regard expert mais simplement d’indiquer les pistes de solution trouvées ça et là :

1. Finalité du service

2. Edge computing

3. Traitement local

4. Données synthétiques

5. Transfer Learning

6. Ré-Entraînement partiel des modèles de données

7. Limitation du nombre de données d’un modèle

8. Limitation du nombre de paramètres d’un modèle

9. Minimisation de la consommation énergétique de la mémoire nécessaire au traitement de l’IA via des puces neuromorphiques par exemple

10. Compression des algorithmes

11. Pruning ou élagage : technique consistant à supprimer des points de connexion de neurones d’un réseau

12. Distillation : transfert des connaissances d’un modèle vers un autre plus petit tout en conservant une grande partie de la précision du modèle parent

Cette première liste a vocation à être explicitée, étendue et mise à jour au fil du temps.