Intelligence artificielle sur des données compressées
Encadrants
- Thomas Sturma, Michèle Wigger
- Emails: michele.wigger@telecom-paris.fr
- Bureaux: 3C58
Nombre d'étudiant par instance du projet:
- Minimum: 4
- Maximum: 4
Nombre d'instances du projet :
1Sigles des UE couvertes et/ou Mots-clés :
compression de données, intelligence artificielle,Description du projet :
L'exécution d'algorithmes d'intelligence artificielle (IA) sur des données compressées est l'un des principaux défis de l'intégration de l'IA à d'autres applications telles que En fait, l'application de l'IA directement sur des données compressées sans passer d'abord par une étape de décompression, rend ces algorithmes plus efficaces et, en tant que tel, permet un traitement de données évolutif, même pour les applications en temps réel dans des environnements à ressources limitées ou des systèmes d'IA à grande échelle. En d'autres termes, en permettant aux modèles d'IA de travailler directement sur des données compressées, nous réduisons les exigences en matière de stockage, de latence et de bande passante, en particulier dans les scénarios de périphérie et d'IoT. En ce sens, la compression sur améliore la performance, et rend l'IA accessible dans un plus large éventail d'applications pratiques.
Objectifs du projet :
Dans ce projet, nous étudions une proposition d'algorithme de compression [1], l'algorithme de compression par déduplication généralisée, qui peut être utilisé pour des applications d'IA. Nous mettrons en œuvre cet algorithme de compression et exécuterons différents algorithmes de regroupement. Le travail dans [1] promet que les algorithmes de regroupement seront presque aussi efficaces sur les données compressées que sur les données non compressées. Le premier objectif de ce projet est de vérifier cette affirmation et de fournir des explications analytiques. Le deuxième objectif du projet et de comparer les algorithmes en [1] à d'autres algorithmes dans la litérature. Et enfin, si le temps le permet, le troisième objectif est de généraliser les algorithmes en [1] pour d'autres algorithmes d'intelligence artificielle.
Logiciels requis:
python, c++, matlab,
Références bibliographiques:
[1] A. Hurst, Q. Zhang, D. E. Lucani and I. Assent, "Direct Analytics of Generalized Deduplication Compressed IoT Data," 2021 IEEE Global Communications Conference (GLOBECOM), Madrid, Spain, 2021, pp. 1-6.