Infer.net : Microsoft propose en open source son framework de machine learning

La firme de Redmond a annoncé la disponibilité en open source de son framework Infer.NET avec une licence MIT permissive. L’outil sera donc libre d’utilisation dans des applications commerciales.

Disponible via GitHub, la publication du framework d’apprentissage automatique de Microsoft est commentée par les responsables de son développement ainsi : « Proposer en open source Infer.NET représente l’aboutissement d’un long et ambitieux voyage. Notre équipe de Microsoft Research à Cambridge, au Royaume-Uni, a entrepris de développer le framework en 2004. Tout au long de notre parcours, nous avons tiré des leçons dans la création de solutions d’apprentissage automatique évolutives et interprétables. Infer.NET a été initialement conçu comme un outil de recherche et nous l’avons publié à des fins académiques en 2008. En conséquence, des centaines d’articles qui s’appuyaient sur le framework ont été publiés dans divers domaines allant de la récupération d’informations aux soins de santé. En 2012, Infer.NET a même remporté un prix Brevets pour l’humanité pour son aide à la recherche en épidémiologie, sur les causes génétiques des maladies, la déforestation et l’asthme. »

Infer.Net est un outil de recherche qui a pris une place croissante dans les applications de Microsoft. Il est présent dans Microsoft Office, Xbox et Azure. Il est notamment présent dans l’application TrueSkill 2, permettant la correspondance des joueurs en ligne. Ainsi, il permet la communication de plusieurs millions de correspondances entre les joueurs dans les titres Halo 5 et Gears of War 4.

Les particularités d’Infer.Net

La bataille fait rage dans le secteur de l’intelligence artificielle et les solutions, même libres, sont assez nombreuses. Que peut apporter un nouveau framework d’apprentissage ? L’équipe responsable du développement d’Infer.Net explique que l’approche de la solution est fondée sur un modèle pour l’apprentissage. Cela permet d’intégrer la connaissance du domaine dans le modèle. L’algorithme d’apprentissage est alors construit sur mesure et libère de la contrainte de faire coller la problématique à résoudre à l’existence préalable d’un algorithme.

Cette démarche facilite l’interprétation du comportement du système et de ses prédictions. Dans un monde où l’intelligence artificielle fait figure de boîte noire géante, interprétabilitée d’un système est une qualité importante.

L’approche par modèle d’apprentissage est aussi particulièrement performante pour traiter des problèmes liés à la qualité des données. Elle est performante dans le traitement en temps réel, les données hétérogènes, partielles, non triées ou possédant un biais connu.

Un modèle probabiliste

Le framework Infer.Net décrit les modèles à l’aide d’un programme probabiliste. L’équipe qualifie cette fonctionnalité de « concept puissant utilisé pour décrire des processus réels dans un langage compris par les machines ». Infer.NET compile donc le programme probabiliste en code haute performance pour mettre en œuvre une inférence bayésienne approximative déterministe qui permet une grande extensibilité. Cette technique est complémentaire aux méthodes fondées sur l’échantillonnage et permet au système d’ingérer de nouvelles données dès qu’elles sont disponibles. Pour l’équipe d’Infer.Net c’est « essentiel pour les produits destinés aux entreprises et aux particuliers qui interagissent avec les utilisateurs en temps réel. Par exemple, dans le système TrueSkill 2, afin de proposer des matchs compétitifs, nous devons mettre à jour les compétences des joueurs immédiatement après chaque tour. Et nous le faisons en une milliseconde seulement ».

Pour mieux comprendre le fonctionnement du framework, l’équipe a mis à disposition des utilisateurs un livre en ligneen plus de la documentation. Elle estime que la publication en open source d’Infer.Net sera utile aux utilisateurs qui ont une connaissance approfondie du domaine dans lequel ils veulent résoudre un problème, quand l’interprétation du comportement du système est un critère de choix de la solution et finalement pour les systèmes en production qui doivent s’adapter en temps réel. 

La solution est compatible avec Windows, Linux et MacOS via .NET Core

Source : www.microsoft.com