RECOMMANDATIONS SUR INTERNET | Les robots connaissent vos préférences. Ils savent quelle chanson ou quelle vidéo mettre en file d’attente dans votre liste de lecture. Ils vous observent faire du shopping et peuvent vous proposer un pantalon assorti à la chemise que vous venez de mettre dans votre panier. Toutes ces recommandations ne sont pourtant pas gratuites : pour en bénéficier, vous vendez votre vie privée.


 

Pour vous offrir les meilleures suggestions possibles, un système algorithmique de recommandations doit en apprendre davantage sur vous, et cela peut aller au-delà de ce que vous êtes prêts à partager. En d’autres termes, les robots mettent généralement à jour vos informations dans une base de données centralisée que vous ne pouvez pas contrôler.

Sous prétexte d’améliorer l’avenir des technologies de l’information, l’on vous demande constamment de communiquer de plus en plus de données personnelles. Cependant, voulez-vous réellement que Facebook ou Netflix connaissent tous les détails de votre vie privée, que vous utilisiez ses applications en ligne ou hors ligne ? Même si vous leur faites confiance, leurs immenses bases de données centralisées constituent des cibles de premier choix pour les hackers, précisément car ces bases de données en savent beaucoup sur vous.

 

Les systèmes de recommandations actuels ne vous connaissent pas, ils vous catégorisent

Il est difficile de fournir des recommandations sur les dispositifs d’accès, car les algorithmes habituels d’apprentissage automatique ne peuvent pas fonctionner efficacement sur ces appareils à faible capacité de calcul et d’énergie. À l’inverse, les systèmes les plus modernes absorbent d’énormes quantités de données dans le cloud. Ensuite, en utilisant des ressources informatiques pratiquement illimitées, les algorithmes d’apprentissage profond s’exécutent sur cette base de données centralisée pour ensuite vous proposer les meilleures recommandations directement sur votre téléphone portable.

Néanmoins, ce type de centralisation présente un inconvénient : il est trop lent pour vous connaître réellement. Combien de fois avez-vous reçu une recommandation pour une émission ou une série par un algorithme alors que vous n’avez jamais regardé cette série et que vous n’en avez pas l’intention ? Le problème est que vous êtes catégorisés, et non compris. Vous êtes un petit point de données unique dans un océan de big data pour les algorithmes des plateformes de réseaux sociaux, des sites de vente au détail et des services de streaming.

 

Privilégier l’informatique en périphérie pourrait assurer la confidentialité et une réelle compréhension

Les systèmes de recommandations basés sur l’informatique en périphérie pourraient résoudre ce problème. En exécutant le logiciel uniquement sur votre appareil, votre vie privée ne sera pas scrutée et monétisée sur un serveur dans le cyberespace. Vous détiendrez ainsi le contrôle de vos données et ferez davantage confiance au système. De ce fait, le niveau de compréhension sera plus élevé et vous obtiendrez de meilleures recommandations. Cependant, si la réponse au problème est l’informatique en périphérie, comment combler le fossé de traitement entre l’informatique en nuage et l’informatique en périphérie ?

 

Le matériel constitue un obstacle

Les solutions existantes se sont focalisées sur le matériel, qui constitue la principale contrainte pour l’information en périphérie. Actuellement, de nombreuses entreprises développent des accélérateurs spécialisés dans l’apprentissage automatique afin d’améliorer l’informatique en périphérie. Ces technologies présentent toutefois un défaut : l’évolutivité.

Votre téléphone ne peut contenir qu’une certaine quantité de données et les capacités de calcul actuelles sont limitées. Le développement de circuits intégrés propres aux applications (ASIC) ou de réseaux de portes programmables in situ(FPGA) est difficile et coûteux. Ces puces sont souvent développées à l’aide de technologies de traitement plus anciennes en raison des faibles volumes de production, ce qui les rend plus lentes que les processeurs à usage général.

En raison de leur spécialisation, ces puces ne disposent généralement pas d’écosystèmes suffisamment développés pour le débogage, l’optimisation et la sécurité. Or, ces fonctionnalités sont communes sur les processeurs génériques modernes. De ce fait, les accélérateurs d’apprentissage automatique présentent généralement un faible taux d’adoption. Tirer parti de leurs avantages est souvent trop coûteux par rapport au matériel polyvalent.

Vous avez probablement entendu parler des dernières puces développées par Apple et de leur capacité à modéliser l’IA. Cela n’est qu’une partie de l’histoire. Des millions de personnes ont accès au dernier matériel d’Apple. Des milliards n’y ont pas accès.

 

Et si la solution venait du logiciel

Pour toutes ces raisons, la solution à l’apprentissage automatique en périphérie réside dans le logiciel, et non dans le matériel. L’exploitation de la compression et de la compilation intelligentes sur les appareils mobiles existants peut alléger les contraintes freinant traditionnellement l’apprentissage automatique sur les dispositifs en périphérie. La compression intelligente réduit le modèle à ce qui est nécessaire pour obtenir le résultat voulu, et la compilation intelligente fait correspondre efficacement ce modèle à ce que le processeur peut réellement supporter. L’on obtient ainsi une méthode efficace d’exécution de l’apprentissage informatique sur les appareils en périphérie avec très peu de puissance de traitement.

 

Une solution pour aujourd’hui

En résumé, l’apprentissage automatique sur les appareils mobiles est effectivement possible et fonctionne sur presque tous les téléphones. Il ne s’agit pas d’une solution pour les années à venir. Elle peut fonctionner dès maintenant.

Avec la compression et la compilation intelligentes, votre téléphone mobile pourrait exécuter lui-même l’algorithme de recommandations. Vos données resteraient privées sur votre appareil, mais vous pourriez quand même obtenir les informations utiles que l’apprentissage automatique peut fournir. C’est l’avenir de l’apprentissage automatique : votre téléphone deviendrait un véritable cerveau dans votre poche !

 

Article traduit de Forbes US – Auteur : Yanzhi Wang

<<< À lire également : La grande nouveauté en matière de sécurité des réseaux >>>