L'IA à faible consommation pour la modélisation de l'incertitude

Les modèles d'IA, notamment les réseaux neuronaux profonds, sont de plus en plus intégrés dans les systèmes pratiques dans divers secteurs. Dans certains domaines, les véhicules autonomes et les dispositifs médicaux par exemple, ces modèles sont chargés de prendre des décisions critiques. Cependant, les modèles qui prévalent aujourd'hui ont un problème : ils ne sont pas capables de communiquer ou de comprendre lorsqu'ils sont incertains d'une prédiction. Il devient de plus en plus évident que, pour que ces modèles puissent être utilisés de manière responsable dans certaines applications, il est vital que leur incertitude soit prise en compte dans le processus de prise de décision. Diverses approches ont été développées pour permettre aux réseaux neuronaux de modéliser leur incertitude (notamment, les méthodes bayésiennes et d'ensemble). Cependant, chacune d'entre elles entraîne une augmentation significative de la mémoire, de l'énergie et du temps nécessaires à l'exécution et à l'entraînement, ce qui rend leur utilisation peu pratique dans le contexte du edge-IA et l'IA proche-capteur parce qu'ils sont souvent fortement limités en mémoire et en énergie. Cela est dû en partie à un manque de considération dans la façon dont les solutions matérielles pourraient être optimisées pour exécuter des modèles d'incertitude - quelque chose que ce sujet de thèse visera à remédier. L'étudiant travaillera sur le problème de l'application de modèles d'incertitude à un nouveau jeu de données récemment collecté par le CEA-LETI Clinatec (http://www.clinatec.fr/en/), composé d'enregistrements de séries temporelles d'électroencéphalographie de patients souffrant d'épilepsie. Plus précisément, l'étudiant développera une tâche de référence utilisant ce jeu de données, évaluera différentes approches sur cette tâche de référence, proposera et étudiera l'impact des techniques de réduction de la complexité, et surtout proposera des innovations matérielles pour améliorer l'efficacité énergétique et mémoire des approches les plus prometteuses.