Pouvez-vous nous parler de Graphcore et nous expliquer pourquoi les services financiers devraient prêter une attention particulière aux processeurs ?
Graphcore est un fabricant de « puces dédiées à l’IA ». La puce en question, qui est notre unité de traitement de l’intelligence ou « Intelligence Processing Unit », est un nouveau type de processeur conçu spécifiquement pour les besoins en calcul de l’intelligence artificielle. Des calculs qui sont très différents de ceux nécessaires dans un PC à usage général ou pour le traitement graphique. Dans les faits, Graphcore va au-delà de la seule fabrication d’IPU, nous concevons aussi l’architecture et les solutions de serveurs pour datacenter que l’IPU va utiliser, connu sous le nom de IPU-PODs.
Disposer d’un tel système de calcul conçu spécifiquement pour l’IA permet aux utilisateurs de réaliser deux choses. Tout d’abord, les systèmes Graphcore peuvent accélérer considérablement l’apprentissage et l’exécution des « modèles » d’IA, par rapport à d’autres types de processeurs. Dans le secteur de la finance, plus que dans de nombreux autres secteurs, toute forme d’avantage informatique peut constituer un bénéfice concurrentiel considérable, et la capacité d’exécuter un modèle d’IA financière plus rapidement ou d’en entraîner un à un degré de précision plus élevé plus rapidement est extrêmement appréciable au regard des charges de travail actuelles.
Ensuite, l’architecture de l’IPU permet à son utilisateur de bénéficier de nouvelles techniques d’IA de pointe avec lesquelles d’autres processeurs — comme les CPU et GPU — peuvent avoir du mal. Nous constatons que de nombreux clients du secteur des services financiers tirent profit de ces fonctionnalités lorsqu’ils travaillent au développement de modèles de nouvelle génération. Disposer d’un processeur conçu spécifiquement pour l’IA leur permet d’avoir accès à plus de possibilités de calcul.
Comment l’intelligence artificielle est-elle utilisée par les professionnels du secteur des services financiers, pouvez-vous nous partager des exemples concrets ?
Les services financiers sont notoirement réticents à partager les détails de ce qui leur donne un avantage concurrentiel. Néanmoins, nous avons la chance d’avoir eu des clients qui ont partagé les détails du travail qu’ils effectuent à l’interne en utilisant la technologie de Graphcore, à l’image de la société Tractable spécialisée dans l’Insurtech qui utilise l’IA pour évaluer les réparations d’après des photos de véhicules et de biens endommagés.
Son service est utilisé par de nombreux assureurs parmi les plus importants au monde. Les ingénieurs de Tractable ont basculé d’analyses auparavant exécutées sur des systèmes basés sur des GPU vers l’IPU de Graphcore, et ont constaté une accélération du temps d’analyse par 5. Comme le déclarait récemment le PDG de Tractable : « Cela signifie que le chercheur peut multiplier par cinq ses expériences, accélérer le processus de développement et, au final, obtenir de meilleurs modèles. » Ce qui est intéressant chez Tractable, c’est qu’ils doivent constamment entraîner et réentraîner leurs systèmes au fur et à mesure que leur activité se développe et qu’ils s’installent dans de nouveaux pays avec de nouveaux véhicules et de nouveaux clients. Ce qui implique des gains d’efficacité cumulés.
L’Oxford Man Institute for Quantitative Finance a lui aussi tiré parti des systèmes Graphcore. Ils ont utilisé notre technologie pour aider à développer une technique de prédiction des mouvements de prix des actions en se fondant sur les données du carnet d’ordres à cours limité. Ils ont atteint des prédictions sur des périodes plus longues que ce qui était possible auparavant, et ce, avec un haut degré de précision. L’équipe de recherche de l’OMI a indiqué que son travail avait été facilité par le gain de vitesse de l’IPU, 10 fois supérieur aux alternatives du marché.
Quels sont les principaux freins à l’adoption ?
Aucun si ce n’est la mise à disposition et l’adoption rapide des IPU dans les entreprises… mais la nouvelle se répand rapidement.
Nous avons travaillé très dur pour faciliter la migration vers une solution Graphcore. Dans ce cadre, notre stack logiciel est compatible avec les « frameworks » dédiés à l’IA les plus utilisés à l’instar de PyTorch ou TensorFlow. La plupart des personnes qui ont développé des modèles d’IA sur des systèmes basés sur les GPU ont utilisé l’un de ces deux frameworks. Il suffit donc de connecter ce modèle a notre logiciel, en apportant des modifications minimales au code, pour être prêt à fonctionner. De nombreux clients des services financiers commencent par utiliser Graphcloud, notre service de cloud computing, fourni en partenariat avec Cirrascale. Grâce à ce service, ils peuvent payer au fur et à mesure de l’évaluation des systèmes Graphcore ou encore en fonction de l’augmentation de leurs opérations de calcul de l’IA.
Comment voyez-vous l’avenir de l’IA dans les services financiers ?
L’un des aspects les plus fascinants de l’intelligence artificielle est sa capacité à trouver des modèles et des corrélations dans les données, là où les humains ou les technologies « pré-I.A » en étaient incapables en raison des niveaux de complexité impliqués.
Auparavant, dans la plupart des cas, il fallait avoir une idée de ce que l’on s’attendait à trouver avant d’aller de l’avant. Aujourd’hui, nous disposons de techniques telles que nous pouvons réaliser un apprentissage non supervisé, qui consiste à alimenter une IA en données et à lui faire découvrir la structure de ces données, leurs interrelations et à en extraire les informations utiles.
Dans la finance, et dans de nombreux autres secteurs, nous serons en mesure d’extraire une valeur beaucoup plus importante des données qui nous passent entre les mains au quotidien. En fait, toutes les réponses sont déjà là — il nous fallait simplement les capacités cognitives du cerveau combinées à la vitesse, à la capacité et à la précision des ordinateurs pour les trouver.
Le travail de l’OMI avec les données du carnet d’ordres à cours limité, mentionné précédemment, en est un exemple flagrant.
Graphcore est un fabricant de « puces dédiées à l’IA ». La puce en question, qui est notre unité de traitement de l’intelligence ou « Intelligence Processing Unit », est un nouveau type de processeur conçu spécifiquement pour les besoins en calcul de l’intelligence artificielle. Des calculs qui sont très différents de ceux nécessaires dans un PC à usage général ou pour le traitement graphique. Dans les faits, Graphcore va au-delà de la seule fabrication d’IPU, nous concevons aussi l’architecture et les solutions de serveurs pour datacenter que l’IPU va utiliser, connu sous le nom de IPU-PODs.
Disposer d’un tel système de calcul conçu spécifiquement pour l’IA permet aux utilisateurs de réaliser deux choses. Tout d’abord, les systèmes Graphcore peuvent accélérer considérablement l’apprentissage et l’exécution des « modèles » d’IA, par rapport à d’autres types de processeurs. Dans le secteur de la finance, plus que dans de nombreux autres secteurs, toute forme d’avantage informatique peut constituer un bénéfice concurrentiel considérable, et la capacité d’exécuter un modèle d’IA financière plus rapidement ou d’en entraîner un à un degré de précision plus élevé plus rapidement est extrêmement appréciable au regard des charges de travail actuelles.
Ensuite, l’architecture de l’IPU permet à son utilisateur de bénéficier de nouvelles techniques d’IA de pointe avec lesquelles d’autres processeurs — comme les CPU et GPU — peuvent avoir du mal. Nous constatons que de nombreux clients du secteur des services financiers tirent profit de ces fonctionnalités lorsqu’ils travaillent au développement de modèles de nouvelle génération. Disposer d’un processeur conçu spécifiquement pour l’IA leur permet d’avoir accès à plus de possibilités de calcul.
Comment l’intelligence artificielle est-elle utilisée par les professionnels du secteur des services financiers, pouvez-vous nous partager des exemples concrets ?
Les services financiers sont notoirement réticents à partager les détails de ce qui leur donne un avantage concurrentiel. Néanmoins, nous avons la chance d’avoir eu des clients qui ont partagé les détails du travail qu’ils effectuent à l’interne en utilisant la technologie de Graphcore, à l’image de la société Tractable spécialisée dans l’Insurtech qui utilise l’IA pour évaluer les réparations d’après des photos de véhicules et de biens endommagés.
Son service est utilisé par de nombreux assureurs parmi les plus importants au monde. Les ingénieurs de Tractable ont basculé d’analyses auparavant exécutées sur des systèmes basés sur des GPU vers l’IPU de Graphcore, et ont constaté une accélération du temps d’analyse par 5. Comme le déclarait récemment le PDG de Tractable : « Cela signifie que le chercheur peut multiplier par cinq ses expériences, accélérer le processus de développement et, au final, obtenir de meilleurs modèles. » Ce qui est intéressant chez Tractable, c’est qu’ils doivent constamment entraîner et réentraîner leurs systèmes au fur et à mesure que leur activité se développe et qu’ils s’installent dans de nouveaux pays avec de nouveaux véhicules et de nouveaux clients. Ce qui implique des gains d’efficacité cumulés.
L’Oxford Man Institute for Quantitative Finance a lui aussi tiré parti des systèmes Graphcore. Ils ont utilisé notre technologie pour aider à développer une technique de prédiction des mouvements de prix des actions en se fondant sur les données du carnet d’ordres à cours limité. Ils ont atteint des prédictions sur des périodes plus longues que ce qui était possible auparavant, et ce, avec un haut degré de précision. L’équipe de recherche de l’OMI a indiqué que son travail avait été facilité par le gain de vitesse de l’IPU, 10 fois supérieur aux alternatives du marché.
Quels sont les principaux freins à l’adoption ?
Aucun si ce n’est la mise à disposition et l’adoption rapide des IPU dans les entreprises… mais la nouvelle se répand rapidement.
Nous avons travaillé très dur pour faciliter la migration vers une solution Graphcore. Dans ce cadre, notre stack logiciel est compatible avec les « frameworks » dédiés à l’IA les plus utilisés à l’instar de PyTorch ou TensorFlow. La plupart des personnes qui ont développé des modèles d’IA sur des systèmes basés sur les GPU ont utilisé l’un de ces deux frameworks. Il suffit donc de connecter ce modèle a notre logiciel, en apportant des modifications minimales au code, pour être prêt à fonctionner. De nombreux clients des services financiers commencent par utiliser Graphcloud, notre service de cloud computing, fourni en partenariat avec Cirrascale. Grâce à ce service, ils peuvent payer au fur et à mesure de l’évaluation des systèmes Graphcore ou encore en fonction de l’augmentation de leurs opérations de calcul de l’IA.
Comment voyez-vous l’avenir de l’IA dans les services financiers ?
L’un des aspects les plus fascinants de l’intelligence artificielle est sa capacité à trouver des modèles et des corrélations dans les données, là où les humains ou les technologies « pré-I.A » en étaient incapables en raison des niveaux de complexité impliqués.
Auparavant, dans la plupart des cas, il fallait avoir une idée de ce que l’on s’attendait à trouver avant d’aller de l’avant. Aujourd’hui, nous disposons de techniques telles que nous pouvons réaliser un apprentissage non supervisé, qui consiste à alimenter une IA en données et à lui faire découvrir la structure de ces données, leurs interrelations et à en extraire les informations utiles.
Dans la finance, et dans de nombreux autres secteurs, nous serons en mesure d’extraire une valeur beaucoup plus importante des données qui nous passent entre les mains au quotidien. En fait, toutes les réponses sont déjà là — il nous fallait simplement les capacités cognitives du cerveau combinées à la vitesse, à la capacité et à la précision des ordinateurs pour les trouver.
Le travail de l’OMI avec les données du carnet d’ordres à cours limité, mentionné précédemment, en est un exemple flagrant.