MLCommons

l'innovation dans le domaine de l’IA et du « Machine Learning » et à élargir l'accès à cette technologie essentielle pour le bien public.

What’s New

More News

MLCommons vise à accélérer l'innovation dans le domaine de l’IA et du « Machine Learning » et à élargir l'accès à cette technologie essentielle pour le bien public.

MLCommons vise à accélérer l'innovation dans le domaine de l’IA et du « Machine Learning » et à élargir l'accès à cette technologie essentielle pour le bien public. Le potentiel lié à l’apprentissage automatique (ou « Machine Learning » ou ML) est énorme : sauver des vies, notamment dans les domaines de la santé ou de la sécurité automobile, améliorer l’accès à l’information et à sa compréhension grâce à des technologies comme les interfaces vocales, la traduction automatique et le traitement du langage naturel. Le Machine Learning est cependant très différent des logiciels classiques - les développeurs « entrainent » une application plutôt qu’ils ne la programment. Le Machine Learning nécessite un tout nouvel ensemble d’outils et de techniques innovants, à l’image de ceux créés dans les domaines de la mesure de précision, de l’utilisation des matières premières ou de l’industrialisation de la production, et qui ont été essentiels pour la révolution industrielle.

L’objectif de MLCommons est de répondre aux besoins naissants de l'industrie du Machine Learning, grâce à une collaboration technique ouverte dans trois domaines :

Les benchmarks

Line chart illustration

Les benchmarks fournissent des mesures cohérentes de précision, de performance et d'efficacité. Des mesures cohérentes permettent aux ingénieurs de concevoir des produits et services fiables, et aux chercheurs de comparer les innovations et de choisir les meilleures idées pour concevoir les solutions de demain.

Les ensembles de données

Les ensembles de données sont la matière première du Machine Learning. La qualité des modèles dépend des données à partir desquelles ces modèles ont été entrainés. Les universitaires et les entrepreneurs en particulier dépendent des ensembles de données publics pour créer de nouvelles technologies et de nouvelles entreprises.

Les “meilleures pratiques”

Checkboxes illustration

Les “meilleures pratiques” permettent aux chercheurs et aux ingénieurs d'échanger plus facilement leurs modèles, de reproduire des expériences et de créer des applications qui exploitent l'apprentissage automatique. L'amélioration des meilleures pratiques accélère les progrès et développe le marché de l'apprentissage automatique.

People’s Speech

People’s Speech est un ensemble ouvert de données de reconnaissance vocale contenant plus de 87,000 heures – et 10 ans - de parole labellisée dans plusieurs langues. Il est environ 100 fois plus importants en termes de données que d’autres projets ouverts similaires. People’s Speech a été inspiré par le succès de l’ensemble de données ouvert ImageNet, une initiative qui a joué un rôle clé dans les innovations ayant permis l’essor de la vision par ordinateur. People’s Speech vise à faire progresser de la même manière l’état de l’art en matière de synthèse vocale, au profit de toutes les langues à travers le monde. Il est essentiel de diversifier les supports de la parole, car les assistants vocaux intelligents seront omniprésents d'ici 2025.

More on People's Speech

MLCube

MLCube est un ensemble de bonnes pratiques pour la création de logiciels de Machine Learning pouvant simplement être « plug & play » et s’exécuter sur de nombreux systèmes différents. MLCube permet ainsi aux chercheurs de partager plus facilement des modèles de ML innovants, aux développeurs d'expérimenter de nombreux modèles différents et aux éditeurs de logiciels de créer facilement une infrastructure pour ces modèles. MLCube permet d’ouvrir de nouvelles opportunités en mettant le Machine Learning aux mains de davantage de monde. MLCube n'est pas un nouveau framework ou un nouveau service ; Il s’agit d’une interface avec les modèles de Machine Learning dans des conteneurs tels que Docker. Les modèles publiés avec l'interface MLCube peuvent être exécutés sur des machines locales, sur une variété de clouds majeurs ou dans des clusters Kubernetes, le tout à partir du même code.

More on MLCube

Founding Members

Members