TensorFlow, un écosystème Open Source dédié à la création des modèles de deep learning

TensorFlow est une bibliothèque Open Source de deep learning créée par Google et compatible avec le langage Python. Il s’agit d’une boîte à outils permettant de standardiser et de simplifier la création et le déploiement de modèles de deep learning.

TensorFlow a été conçu par des ingénieurs de Google en 2015 afin de mener à bien des projets de recherche en machine learning ainsi que sur le sujet de deep learning. Fruit d’une longue expérience préalable, il a été conçu pour mettre en production le fruit des équipes de recherches sur différents matériels, y compris ceux ayant peu de ressources (montres connectées, électronique embarquée, etc.). Cet outil est adéquat pour une large gamme d’applications. En particulier, TensorFlow permet d’entraîner au mieux des modèles nécessitant de grandes banques de données.

TensorFlow peut être vu comme un système de programmation dans lequel les calculs sont représentés sous la forme d’un graphe. Les sommets représentent des opérations mathématiques qui peuvent aller d’une simple addition à des fonctions très complexes, et les arêtes représentent des structures spécifiques qu’on appelle tensors.

L’expertise de l’agence Kernix sur TensorFlow

Notre agence utilise TensorFlow en production pour :

• La détection d’objets dans une image :

La détection d’objets est une technique permettant de détecter la présence d’un objet ou d’une classe d’objets dans une image donnée. Avec TensorFlow, détecter un objet au sein d’une image est devenu aussi simple que d’identifier un mot clef dans un paragraphe de texte. TensorFlow nous a par exemple permis d’accompagner Enedis à améliorer la qualité du matériel installé dans les immeubles, tout en leur permettant d’identifier le matériel vétuste sur des photos de façon automatique, afin d’améliorer la planification des travaux. Kernix a aussi développé pour Eppik la fonctionnalité de détection automatique des photos à l’intérieur des albums et la reconnaissance de visages.

• La création des systèmes de recommandation :

L’extraction des caractéristiques d’une image, à l’aide d’un réseau de neurones, permet de trouver des images similaires à partir de ses composants visuels. TensorFlow propose une large gamme de modèles pré-entraînés permettant de monter un système de recommandation d’images en se basant sur la similarité visuelle, les applications facilitées par TensorFlow sont nombreuses dans ce domaine là. Par exemple, la revalorisation d’archives PDF par recherche avancée est l’exemple le plus caractéristique.

• L’amélioration des performances des robots :

Grâce à l’intelligence artificielle et aux bibliothèques de deep learning comme TensorFow, de nombreux développements récents en robotique ont pu être réalisés. Par exemple, Kernix a accompagné Safran afin de développer une solution permettant de contrôler un système de bras robotisé.

Pourquoi utiliser TensorFlow ?

Facilité de création de modèle

TensorFlow propose différents niveaux d’APIs, cela permet donc de le rendre facilement accessible à des développeurs ayant très peu de connaissances en deep learning, tout en conservant un intérêt indéniable pour des chercheurs.

Pour une utilisation simple. Nous pouvons utiliser Keras qui offre la possibilité de créer et d’entraîner des modèles et qui propose une API minimisant le nombre d’actions requises pour une utilisation généraliste. Pour plus de flexibilité, le mode eager execution fournit un prototypage facile et un débogage rapide. Pour les tâches les plus complexes, nous pouvons envisager d’utiliser l’API distribution strategies, qui offre la possibilité de paralléliser les calculs sur plusieurs machines (CPU, GPU, TPU).

Déploiement plus simple

La mise en production des modèles d’IA est une tâche qui se rend parfois difficile, qui permet la création et la maximisation de la valeur ajoutée pour les entreprises. De plus, cette tâche ne s’arrête pas une fois que le modèle est passé en production, car il est essentiel de le maintenir, l’évaluer et le réentrainer de temps en temps. Cela peut être justifié par le fait que les données vont continuer à augmenter en véhiculant de nouvelles informations plus précises et plus riches. Toutes ces étapes doivent être automatisées, afin de limiter au maximum l’intervention humaine.

Pour aider les entreprises à mettre en œuvre des systèmes dédiés à la production, Google a rendu public un outil qui s’appelle TensorFlow Extended (TFX). Il s’agit d’une plate-forme de bout en bout, conçue pour permettre le déploiement de pipelines de machine learning et de deep learning en toute facilité.

Un des avantages de TFX est l’intégration des fonctionnalités de TensorFlow dans des composants standards réutilisables, qui peuvent être connectés entre eux pour construire des pipelines de machine learning. Chaque composant contient principalement trois éléments : conducteur, exécuteur et éditeur. Le conducteur, comme son nom l’indique, prend la décision de ce qui doit être fait. l’exécuteur est chargé de lancer la tâche à résoudre et de transmettre les résultats à l’éditeur, qui s’occupe de mettre à jour le magasin de métadonnées (metadata store). La plupart des composants de TFX fonctionnent sur Apache Beam, qui permet de définir et d’exécuter des flux de données sur différents moteurs d’exécution.

TensorFlow permet aussi le déploiement embarqué des modèles quel que soit le langage de programmation utilisé (Java, Python, R, etc) grâce à une extension qui s’appelle TensorFlow Lite. Cette dernière est spécialement conçue afin de lancer des modèles de machine learning sur des appareils embarqués avec une capacité mémoire limitée. Elle propose aussi d’autres fonctionnalités permettant de réduire la taille des modèles afin de pouvoir les lancer sur des appareils embarqués.

Outil de visualisation interactive

TensorFlow possède un très bon outil de visualisation qui s’appelle TensorBoard. Cet outil permet de visualiser les données, l’évolution des variables et les graphes de calcul. Il s’agit d’un outil bien conçu et facile à utiliser, à tel point que les développeurs de PyTorch, le principal concurrent de TensorFlow aujourd’hui, ont développé un module spécifique permettant d’intégrer, même partiellement, TensorBoard dans l’écosystème PyTorch.

Créer votre projet Deep Learning avec Kernix

Créer votre projet utilisant le framework TensorFlow avec Kernix, c’est la garantie d’une expertise technique et opérationnelle pour le mener à bien. Si vous pensez que cette technologie peut correspondre à votre projet ou voulez un avis, n’hésitez pas à nous contacter. Nos data scientists & engineers, devOps et développeurs seront là pour tirer le meilleur parti de vos données. Nos équipes design et frontend sauront aussi les mettre en valeur pour une expérience utilisateur réussie.