Projet de l'Académie 1 co-financé par l'Académie 5 à l'AAP#3
Porté par Michel Riveill - I3S
L'apprentissage profond (Deep Learning) révolutionne le domaine de l’apprentissage que ce soit pour le traitement de divers types de signaux (images, son, etc), de textes avec de très nombreuses applications concrètes : annotation temps réels d’images, traduction automatiques, etc. Malheureusement ses besoins en ressources sont très souvent disproportionnés et limitent sa portée aux projets riches pour être capable de s’offrir de telles infrastructures, sans contraintes énergétiques et avec peu de contraintes de déploiement.
Dans le domaine médical ou la circulation des données n'est pas gratuite et les moyens de calcul sont limités, il serait illusoire d’imaginer une utilisation intensive de techniques avancées issues de l'apprentissage profond.
L'objectif du projet HELP est l'acquisition et la mise en œuvre de chaines de traitement adaptées aux données médicales offrant un ratio performance, coût d’installation et d’exploitation et performance énergétique très compétitifs grâce à l’utilisation d’une matrice de GPU basse consommation et une adaptation spécifique des algorithmes de traitements.
La plateforme HELP permettra de concevoir et d'optimiser des algorithmes de calcul parallèle sur des réseaux neuronaux profonds, d’en évaluer les performances réalisables en pratique et de valider la faisabilité d'un déploiement dans un cadre médical.
Le projet HELP est entièrement transdisciplinaire et est soutenu par le projet Idex "Intégration et analyse des données biomédicales". Il fournira des ressources matérielles et humaines supplémentaires pour le déploiement d'une plateforme bénéficiant des dernières avancées technologiques en matière de faible consommation informatique. Il bénéficiera du travail de collecte de données et de développement algorithmique réalisé en BID.
Partenaires:
Michel Riveill, I3S
Stéphanes Descombes, MSI
Fabien Gandon, Inria
Pascal Staccini, CHUN
Damon Mayaffre, BCL
Porté par Michel Riveill - I3S
L'apprentissage profond (Deep Learning) révolutionne le domaine de l’apprentissage que ce soit pour le traitement de divers types de signaux (images, son, etc), de textes avec de très nombreuses applications concrètes : annotation temps réels d’images, traduction automatiques, etc. Malheureusement ses besoins en ressources sont très souvent disproportionnés et limitent sa portée aux projets riches pour être capable de s’offrir de telles infrastructures, sans contraintes énergétiques et avec peu de contraintes de déploiement.
Dans le domaine médical ou la circulation des données n'est pas gratuite et les moyens de calcul sont limités, il serait illusoire d’imaginer une utilisation intensive de techniques avancées issues de l'apprentissage profond.
L'objectif du projet HELP est l'acquisition et la mise en œuvre de chaines de traitement adaptées aux données médicales offrant un ratio performance, coût d’installation et d’exploitation et performance énergétique très compétitifs grâce à l’utilisation d’une matrice de GPU basse consommation et une adaptation spécifique des algorithmes de traitements.
La plateforme HELP permettra de concevoir et d'optimiser des algorithmes de calcul parallèle sur des réseaux neuronaux profonds, d’en évaluer les performances réalisables en pratique et de valider la faisabilité d'un déploiement dans un cadre médical.
Le projet HELP est entièrement transdisciplinaire et est soutenu par le projet Idex "Intégration et analyse des données biomédicales". Il fournira des ressources matérielles et humaines supplémentaires pour le déploiement d'une plateforme bénéficiant des dernières avancées technologiques en matière de faible consommation informatique. Il bénéficiera du travail de collecte de données et de développement algorithmique réalisé en BID.
Partenaires:
Michel Riveill, I3S
Stéphanes Descombes, MSI
Fabien Gandon, Inria
Pascal Staccini, CHUN
Damon Mayaffre, BCL
Dates
Créé le 25 février 2021