2 outils pour Tensorflow: Lattice et Serving

Dans cet arti­cle, je vais vous présen­ter briève­ment 2 nou­veaux out­ils pour Ten­sor­flow, le frame­work de Deep Learn­ing de Google. Ils ne sont pas véri­ta­ble­ment “nou­veaux”, mais arrivent au stade où on peut les utilis­er dans nos pro­jets. Il s’ag­it de Ten­sor­flow Lat­tice qui affine les don­nées d’en­traine­ment et Ten­sor­flow Serv­ing qui per­met les déploiement plus facile de nou­veaux mod­èles d’entraînement.

Appari­tion d’un nou­v­el out­il: Ten­sor­Flow Lat­tice. Ce dernier per­met de dimin­uer le bruit dans les don­nées d’entraînement. Il devient alors pos­si­ble de guider le mod­èle en influ­ençant la courbe de résul­tats à par­tir des spécu­la­tions des Data Sci­en­tists. Grâce à la vidéo ci-après, on com­prend un peut le fonc­tion­nement du sys­tème: les don­nées sont lis­sées en quelque sortes, en util­isant une inter­po­la­tion des valeurs proches. Mais c’est plus que cela, puisqu’on utilise le machine learn­ing pour entraîn­er cet “algo de lis­sage” (qui passe par une lookup table). L’ex­em­ple des cof­feeshop (texas ou japan) per­met d’in­té­gr­er la spécu­la­tion suiv­ante: au Texas, les gens cir­cu­lent en voiture, donc vont chercher un cof­feeshop là où on peut se gar­er et se ren­dre facile­ment. Alors qu’au japon, les gens sont à pieds et cherchent le plus proche. Grâce à Lat­tice, on peut inté­gr­er ce genre de spécu­la­tion et se débar­rass­er du bruit qui ne répond pas à cela (y‑a bien des Tex­ans à pieds non ?). Plus d’infos ici.

Vidéo de présentation:

La bib­lio­thèque Ten­sor­Flow Serv­ing, actuelle­ment en ver­sion 1.0, per­met de gér­er le cycle de vie des mod­èles d’ap­pren­tis­sage. Celle-ci sim­pli­fie le déploiement des nou­veaux mod­èles en con­ser­vant la même archi­tec­ture et les mêmes API. En gros, on par­le bien de la phase d’in­férence, une fois que le mod­èle est entraîné. Ten­sor­Flow Serv­ing se charge de les ren­dre util­is­ables dans des envi­ron­nements de production.