Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.
Concept
Intelligence artificielle distribuée
Résumé
L'Intelligence Artificielle Distribuée (IAD) est une branche de l'Intelligence artificielle.
On distinguera :
le principe d'adapter les approches de l'Intelligence Artificielle classique sur une architecture distribuée (par exemple avec une parallélisation des programmes)
les approches où l'Intelligence Artificielle est conceptuellement répartie sur un certain nombre d'entités (réseaux de neurones artificiels, systèmes multi-agents) de façon similaire à une Intelligence distribuée.
Bien que le terme Intelligence Artificielle Distribuée est souvent considéré comme un synonyme pour le champ d'études des systèmes multi-agents, le terme Intelligence Artificielle Décentralisée peut lui être préféré afin d'éviter toute confusion avec l'Intelligence Distribuée (intelligence en essaim).
L'intelligence artificielle distribuée est utilisée pour résoudre des problèmes complexes d'apprentissage, de planification et de prise de décision. La parallélisation des programmes permet d'exploiter le calcul à grande échelle et la distribution spatiale des ressources informatiques.
Ces propriétés lui permettent de résoudre des problèmes nécessitant le traitement de jeux de données très volumineux.
Ces programmes consistent en des nœuds de traitement d'apprentissage autonomes (agents), qui sont distribués, souvent à très grande échelle. Chaque noeud peut agir indépendamment. Les solutions partielles sont intégrées en communiquand entre les nœuds, souvent de manière asynchrone. Ces systèmes sont robustes et élastiques.
De plus, ils sont conçus pour s'adapter :
aux changements dans la définition du problème
aux ensembles de données.
Ils ne nécessitent pas que toutes les données pertinentes soient agrégées en un seul endroit, contrairement aux systèmes d'intelligence artificielle monolithiques ou centralisés qui ont des nœuds de traitement étroitement couplés et géographiquement proches. Par conséquent, ils fonctionnent souvent sur des sous-échantillons de très grands ensembles de données.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.