L’intelligence artificielle est en vogue et l’on parle beaucoup de systèmes d’apprentissage automatique et d’apprentissage en profondeur, des méthodes dont l’intention est de faire en sorte que les ordinateurs abordent la manière dont le cerveau humain traite les informations et, sur la base desdites informations, génèrent un contenu oral compréhensible par n’importe qui, prendre leurs propres décisions, faire des prévisions ou produire de nouvelles connaissances qui sont en même temps très précises.
De même, son implémentation dans des machines au moyen de CPU ou de GPU conventionnels, la version moderne des cartes graphiques d’antan, est une tendance. Nous vous donnons donc une brève description des deux composants matériels.
CPU (unité centrale de traitement) et GPU (unité de traitement graphique) sont deux types de processeurs d’informations utilisés dans les ordinateurs. Dans le premier cas, il exécute les instructions séquentielles qui composent un programme ou une application, ainsi que les processus au sein du système d’exploitation qui les héberge, et dispose d’une puissance de calcul suffisante pour effectuer les tâches habituelles de l’informatique actuelle.
D’autre part, les GPU, comme on appelle les cartes graphiques de dernière génération, ont été liés depuis leurs origines à la composante visuelle de l’informatique, transformant les données en informations visibles à travers l’écran, allégeant ainsi la charge de travail du processeur. Cependant, ils ont évolué favorablement grâce au développement des jeux vidéo 3D et aux exigences visuelles croissantes des amateurs de cette activité, à tel point que leur puissance de traitement actuelle est similaire à celle des CPU classiques.
Comment le CPU et le GPU sont-ils utilisés dans les systèmes d’intelligence artificielle ?
Tout d’abord, les deux sont des composants matériels qui, aux niveaux le plus élevé et le plus bas, sont fabriqués avec les mêmes entrées. Ils ont des cœurs et une mémoire interne, entre autres éléments connexes. Cependant, son architecture doit être prise en compte.
En effet, les processeurs ont plusieurs cœurs dans leur composition mais sont couplés pour le traitement en série, ce qui les rend idéaux pour exécuter plusieurs tâches simultanément, y compris les systèmes d’apprentissage automatique.
En revanche, dans l’architecture des GPU, les cœurs sont conçus pour fonctionner en parallèle et des centaines ou des milliers d’entre eux peuvent coexister. Cela signifie qu’avec le même échantillon de données, le travail de traitement peut être réparti entre tous, obtenant une meilleure performance globale.
Mais cette dernière signifie aussi que les GPU sont plus prédisposés à travailler avec des modèles d’intelligence artificielle qui utilisent des algorithmes d’apprentissage en profondeur, puisque cette technique se caractérise par le traitement de l’information par des couches de réseaux de neurones, simulant le mécanisme utilisé par le cerveau humain pour apprendre quelque chose de nouveau. Chaque couche traite un groupe de données qui est optimisé par l’apprentissage et est connecté au précédent afin que l’apprentissage soit possible.
Image par Colin Behrens sur Pixabay