Nouvelles approches pour le traitement décentralisé, fédéré et durable des données d'IA (RIA)

Résultat attendu :

Les résultats du projet devraient contribuer au développement de nouvelles approches, outils et techniques qui surmontent les obstacles des techniques actuelles de calcul d'IA centralisées : limites de la disponibilité de l'énergie et de la capacité de calcul d'IA dans des environnements autonomes centralisés, disponibilité limitée des types de puces d'IA, qualité et sécurité des données et latence dans le traitement des données d'IA. L'objectif ultime est d'aider à surmonter les goulots d'étranglement de la capacité de calcul d'IA de l'UE en offrant des modèles de calcul d'IA décentralisés et durables alternatifs qui permettent l'exploitation d'architectures de traitement matériel diverses et d'approches de mise à l'échelle.

Portée :

Ce sujet se concentre sur les technologies et techniques qui permettent au traitement des données d'IA de tirer parti des ressources de calcul distribuées à travers le continuum cloud et edge computing tout au long du cycle de vie complet du modèle d'IA, de la collecte des données à la formation, au réglage fin et au déploiement. Pour dépasser l'état de l'art actuel dans ce domaine, les domaines de recherche considérés incluent :

• Rechercher des architectures d'IA distribuées, décentralisées et fédérées « continuum de calcul » au-delà de l'apprentissage fédéré et intégrant des outils de compression de modèles et de nouveaux mécanismes pour permettre au traitement des données d'IA de s'adapter à de multiples infrastructures de calcul diverses.
• Développement, déploiement et exploitation de flux de travail d'IA sur des infrastructures hétérogènes et distribuées le long du continuum de calcul (edge, cloud, HPC), y compris la possibilité d'incorporer des paradigmes de calcul innovants (calcul neuromorphique et quantique) et des améliorations de l'efficacité matérielle (par exemple, y compris le calcul in-memory, et l'approximation matérielle et logicielle).
• Nouvelles méthodes et techniques pour améliorer la disponibilité et la cohérence des données pour le traitement décentralisé des données d'IA. Celles-ci considèrent des outils pour assurer la qualité des données (par exemple, la prévention du déséquilibre ou de l'incohérence des ensembles de données entre les sources de données distribuées), l'optimisation du volume pour les transferts de données entre les environnements, et la gestion distribuée des données, tout en préservant la confidentialité des données et en prévenant les fuites de données (par exemple, via une protection cryptographique avancée telle que la cryptographie post-quantique pour la résistance aux menaces quantiques émergentes).
• Nouveaux outils et mécanismes pour mesurer, surveiller et améliorer l'efficacité énergétique de bout en bout et la durabilité du traitement des données d'IA à travers le continuum de calcul, y compris l'exploration des implications énergétiques et de durabilité des architectures de traitement d'IA hétérogènes et leur impact sur la conception de l'infrastructure de calcul et la durabilité à long terme.

Les propositions de projet retenues devraient présenter les développements proposés dans au moins deux cas d'utilisation complémentaires dans différents domaines. Ces cas d'utilisation devraient démontrer la valeur ajoutée et l'impact potentiel des réalisations du projet dans des situations réelles, ainsi que cibler des applications et des secteurs clés essentiels à la compétitivité de l'Europe. Les cas d'utilisation devraient fournir des exemples et des scénarios convaincants et permettre la reproductibilité de la valeur ajoutée et de l'impact des résultats dans des secteurs économiques supplémentaires.

null