Embedded AI

Le WP4 se focalise sur l’optimisation dans l’intelligence artificielle selon deux axes principaux : 1) les limitations en termes de calculs et 2) les limitations en termes de données.

Pour le premier axe, il s’agit de se concentrer sur la compression des réseaux de neurones quel que soit leur type afin à la fois de diminuer la taille de ces réseaux mais aussi le temps d’inférence dont ils ont besoin pour produire leurs prédictions.

Pour le deuxième axe il s’agit d’étudier les architectures qui permettent d’apprendre à partir de données 1) multimodales, 2) non labelisées ou faiblement labélisées et 3) arrivant en continu ce qui oblige à un apprentissage durant toute la vie de l’algorithme.

Ce WP vise donc à investiguer des solutions novatrices pour lever deux obstacles importants dans l’IA actuelle: le manque de données correctement labélisées et le manque de capacités de stockage et de calcul sur des système légers et embarqués.

Le work package est coordonné par le Prof. Thierry Dutoit qui travaille en collaboration avec le Prof. Sidi Mahmoudi et le Dr. Matei Mancas à l’UMons. Un kick-off meeting du WP4 s’est passé le 2 février 2022. Lors de ce kick-off, des chercheurs seniors, mais aussi des personnes qui débutent ont pu présenter leurs travaux. Outre le lancement des travaux sur cet axe de recherche maintenant que les milestones des thèses se précisent, ce kick-off était également l’occasion de permettre à la communauté TRAIL de mieux faire connaissance. Concrètement, les chercheurs du WP4, mais aussi des autres WPs peuvent mieux apprécier leurs travaux respectifs au travers de présentations très courtes en quelques slides seulement. Un plan de réunions était ensuite réfléchi pour mettre en place une dynamique entre les différents chercheurs mobilisés autour de cette thématique de l’optimisation de l’IA.

Actuellement, 11 chercheurs affiliés TRAIL travaillent sur le WP4. Parmi ces 11 chercheurs, 6 doctorant.es et un post-doctorant sont engagés sur le projet ARIAC.