DeepMind revolutionne l’IA : 13 fois plus performant, 10 fois plus efficace.

L’accélération de la formation de modèles d’IA est un enjeu majeur dans le secteur de l’informatique. Google DeepMind, le laboratoire de recherche en IA de Google, a récemment publié une nouvelle étude sur un nouvel algorithme d’entraînement, baptisé JEST, qui promet d’augmenter considérablement à la fois la vitesse d’entraînement et l’efficacité énergétique, de manière exponentielle. Cette nouvelle méthode se révèle être jusqu’à 13 fois plus performante et dix fois plus écoénergétique que les méthodes actuelles.

Une méthode révolutionnaire pour l’entraînement d’IA

Le JEST, ou joint example selection, casse les codes des techniques traditionnelles d’entraînement des modèles d’IA en se concentrant sur la qualité des données. Contrairement aux méthodes classiques qui se focalisent sur des points de données individuels, le JEST s’appuie sur des ensembles entiers de données. Ce procédé consiste à créer un modèle d’IA plus petit chargé d’évaluer la qualité des données, avant de les comparer à un ensemble plus vaste de moindre qualité. Les données les plus adaptées à l’entraînement sont sélectionnées par le petit modèle JEST, puis utilisées pour entraîner un modèle plus grand, offrant ainsi une efficacité inédite.

Des implications significatives pour l’environnement et l’efficacité énergétique

Les chercheurs de DeepMind soulignent l’importance de cette capacité de conduire le processus de sélection des données vers des ensembles plus limités mais mieux catégorisés. Les avantages en termes de rapidité et d’efficacité énergétique qu’offre le JEST sont indéniables, avec une réduction allant jusqu’à 13 fois du nombre d’itérations et une diminution de 10 fois des calculs nécessaires par rapport aux modèles existants.

Cette nouvelle approche intervient à un moment critique, alors que les préoccupations sur l’empreinte environnementale des centres de données d’IA se font de plus en plus pressantes. Avec une consommation électrique annuelle de l’ordre de 4,3 GW en 2023, les charges de travail en IA menacent de représenter un quart du réseau électrique des États-Unis d’ici 2030. La méthode JEST pourrait être une réponse efficace à ces défis, en maintenant des taux de productivité élevés tout en réduisant la consommation d’énergie.

Source : www.tomshardware.com