Apple progresse sur le machine learning avec MLX

Apple, le géant de la technologie, vient de franchir une nouvelle étape dans sa quête de l’excellence en matière d’apprentissage machine. Le projet MLX d’Apple, un nouveau cadre de travail optimisé pour le silicone d’Apple, a été mis à la disposition du public via GitHub. Cette nouvelle révélation donne un nouvel élan à l’industrie de l’intelligence artificielle.

Apprentissage machine pour le silicone d’Apple

Dans le monde de la technologie, le progrès est toujours à l’ordre du jour. L’apprentissage machine (ML) a fait un bond en avant avec l’introduction de MLX, un nouveau cadre de travail optimisé pour le silicone d’Apple. Awni Hannun, de l’équipe ML d’Apple, a défini le logiciel comme un outil efficient pour l’apprentissage machine, conçu spécifiquement pour le silicone d’Apple – en d’autres termes, pour votre ordinateur portable.

MLX se distingue par le fait qu’il simplifie la formation et le déploiement des modèles ML pour les chercheurs qui utilisent le matériel d’Apple. Il s’agit d’un cadre pour les tableaux de type NumPy, conçu pour un apprentissage machine efficace et flexible sur les processeurs d’Apple. Ce n’est pas un outil destiné aux consommateurs, mais plutôt un environnement puissant pour les développeurs qui souhaitent créer des modèles ML.

Familier aux développeurs

MLX tire son inspiration de cadres existants comme PyTorch, Jax, et ArrayFire. Cependant, il ajoute une fonctionnalité unique : un modèle de mémoire unifié. Cela signifie que les tableaux résident dans une mémoire partagée et que les opérations peuvent être effectuées sur n’importe lequel des types d’appareils pris en charge sans avoir à effectuer de copies de données.

Avec une API Python qui suit de près NumPy avec quelques exceptions, et une API C++ complète qui suit de près l’API Python, MLX se veut convivial tout en étant efficace pour former et déployer des modèles. L’objectif est de faciliter la tâche des chercheurs pour étendre et améliorer MLX, afin d’explorer rapidement de nouvelles idées.

Assez bon au premier coup d’œil

MLX semble, à première vue, assez bon. Il est doté de plusieurs fonctionnalités qui le distinguent, notamment l’utilisation d’API familières, mais aussi :

• Les transformations de fonctions composable : MLX a des transformations de fonctions composable pour la différentiation automatique, la vectorisation automatique, et l’optimisation du graphe de calcul.

• Le calcul paresseux : Les calculs dans MLX sont paresseux. Les tableaux ne sont matérialisés que lorsqu’ils sont nécessaires.

• La construction dynamique de graphes : Les graphes de calcul dans MLX sont construits de manière dynamique. Changer les formes des arguments de fonction ne déclenche pas de compilations lentes, et le débogage est simple et intuitif.

• Multi-device : Les opérations peuvent être exécutées sur n’importe lequel des appareils pris en charge (actuellement, le CPU et le GPU).

• Mémoire unifiée : Dans le modèle de mémoire unifié, les tableaux de MLX vivent dans une mémoire partagée. Les opérations sur les tableaux MLX peuvent être effectuées sur n’importe lequel des types d’appareils pris en charge sans avoir à déplacer les données.

Ce qu’il peut déjà réaliser

Apple a fourni une collection d’exemples de ce que MLX peut faire. Ils semblent confirmer que l’entreprise dispose maintenant d’un modèle de langage très efficace, d’outils puissants pour la génération d’images en utilisant Stable Diffusion, et une reconnaissance vocale très précise. Cela correspond aux affirmations faites plus tôt cette année, et à certaines spéculations concernant la création d’un monde virtuel infini pour les futures expériences Vision Pro.

Développeurs, développeurs…

Finalement, Apple semble vouloir démocratiser l’apprentissage machine. « MLX est conçu par des chercheurs en apprentissage machine pour des chercheurs en apprentissage machine », explique l’équipe. En d’autres termes, Apple a reconnu la nécessité de créer des environnements de développement ouverts et faciles à utiliser pour l’apprentissage machine afin de favoriser davantage de travaux dans cet espace.

Est-ce trop peu, trop tard ?

Étant donné le grand intérêt suscité par Chat GPT de Open AI lors de son apparition l’année dernière à la même époque, Apple est-elle vraiment en retard ? Nous ne le pensons pas. L’entreprise a clairement décidé de concentrer ses efforts sur l’équipement des chercheurs ML avec les meilleurs outils qu’elle peut fabriquer, y compris de puissants Macs M3 pour construire des modèles. Aujourd’hui, elle veut traduire cette attention en outils d’intelligence artificielle viables et centrés sur l’humain, pour que nous puissions tous en profiter. Il est bien trop tôt pour déclarer Apple vaincu dans une guerre de l’industrie de l’IA qui ne fait que commencer.

L’utilité de MLX dans le domaine de l’éducation

Avec ces progrès dans l’apprentissage machine, une question primordiale se pose : comment ces innovations peuvent-elles être utilisées pour améliorer l’éducation ? Avis de professeurs, ambassadeurs et ambassadrices de l’enseignement ouvert et en ligne sont unanimes : les possibilités semblent infinies.

Dans le domaine des cours particuliers, par exemple, l’intelligence artificielle pourrait permettre de personnaliser encore plus l’enseignement, en adaptant le rythme et le contenu du cours au profil de chaque élève. L’outil pédagogique MLX pourrait ainsi aider à combler les lacunes et à renforcer les points forts de chaque étudiant, en proposant des exercices et des activités adaptées.

Depuis Paris, face à leur webcam, les enseignants pourraient également bénéficier des avancées de l’apprentissage machine. En utilisant des solutions open source basées sur MLX, ils seraient en mesure d’analyser en temps réel les réactions de leurs élèves, d’identifier les points de blocage et d’adapter leur enseignement en conséquence. L’avis de nombreux professeurs confirme cette hypothèse, qui pourrait révolutionner l’enseignement à distance.

De plus, l’utilisation de l’intelligence artificielle dans l’éducation pourrait également ouvrir la voie à de nouvelles formes d’évaluation. Au lieu de se baser uniquement sur des examens ponctuels, les enseignants pourraient utiliser des systèmes basés sur MLX pour suivre en continu les progrès de leurs élèves. Cette approche pourrait rendre l’évaluation plus juste et plus précise, tout en réduisant le stress associé aux examens traditionnels.

MLX et le futur de l’industrie de la data science

Le développement de MLX par Apple n’est pas seulement une avancée technologique, c’est aussi une promesse pour l’avenir. En effet, ce nouvel outil pourrait considérablement changer la façon dont les scientifiques des données travaillent.

MLX pourrait permettre aux data scientists de développer des modèles d’apprentissage machine beaucoup plus rapidement qu’auparavant. Cela pourrait accélérer la recherche dans de nombreux domaines, allant de la santé à l’environnement, en passant par l’économie.

De plus, comme MLX est open source, il pourrait contribuer à démocratiser la data science. En effet, en mettant à disposition des chercheurs du monde entier un outil aussi puissant, Apple pourrait contribuer à réduire les inégalités entre les instituts de recherche. Même les petites équipes de chercheurs pourraient ainsi avoir accès à des technologies de pointe, et contribuer à faire avancer la science.

En somme, le développement de MLX est une avancée majeure pour l’apprentissage machine, et pour l’industrie de la data science. Il démontre une fois de plus l’engagement d’Apple dans le développement de technologies permettant d’améliorer notre monde.

Conclusion

Avec le développement de MLX, Apple confirme une fois de plus sa position de leader dans le domaine de l’intelligence artificielle. Ce nouvel outil, destiné aux chercheurs en apprentissage machine, promet d’accélérer la recherche et de démocratiser l’accès à cette technologie.

Bien que certains puissent considérer qu’Apple arrive tardivement sur le marché de l’intelligence artificielle, l’entreprise démontre une fois de plus sa capacité à innover et à apporter des solutions d’avant-garde. L’avenir nous dira si cette stratégie porte ses fruits, mais une chose est sûre : l’apprentissage machine a encore de beaux jours devant lui, et nous sommes impatients de voir quelles nouvelles avancées il nous réserve.