Machine learning : apprendre par le transfert de connaissances
La chaire industrielle Machine learning a été signée le 20 octobre 2016 entre les partenaires ENS Paris-Saclay, CEA et ATOS (services au numérique).
Le CMLA incarne deux des trois volets clés de cette chaire avec la "formation" (master MVA) et la "recherche" (équipe MLMDA), auxquelles s'ajoute le transfert de technologies vers les start-up et PME du plateau de Saclay.
Cette école d’été fait suite à une première édition sur le lac de Chiemsee en 2017 organisée par l’université de Passau autour d’un réseau d’universitaires italiens, belges, français et allemands (AIDA consortium) en partenariat avec Atos et Worldline.
Programme
En introduction le lundi 4 juin, se tiendront deux tables rondes avec pour thème : "L'intelligence artificielle pour l'industrie" et "L'intelligence artificielle pour l'enseignement supérieur et la recherche".
Le programme de cette French-German Summer School on Transfer Learning prévoit différentes interventions scientifiques, de la théorie aux applications.
Transfer learning
"Cette technique permet de transférer la connaissance acquise sur un jeu de données “source” pour mieux traiter un nouveau jeu de données dit “cible” (définition fournie sur le Data Analytics Post - DAP : média d’information et de réflexion autour des « data sciences » porté par le master MVA de l’ENS Paris-Saclay.
Dans le contexte de l’analyse des données, la plupart des algorithmes de machine learning reposent sur l’hypothèse que le jeu de données utilisé pour l’entraînement et le jeu de données de test appartiennent au même espace de descripteurs et suivent la même distribution de probabilités. Cependant, dans bon nombre d’applications, ce n’est pas le cas, et le réentraînement des modèles, gourmand en données et coûteux en temps de calcul, notamment en deep learning, peut être optimisé grâce au Transfer Learning : les connaissances acquises à partir du jeu de données d’entraînement, dorénavant appelé jeu de données “source” sont “transférées” afin de pouvoir traiter convenablement le nouveau jeu de données, nommé “cible”.