La prédictibilité temporelle d'implantation d'inférences de réseaux de neurones sur des architectures hétérogènes avec GPUs et d'accélérateurs. – HeRITAGES

Au cours de la dernière décennie, l'intelligence artificielle (IA) a fait l'objet d'une attention particulière de la part des communautés académiques et industrielles. Cela a permis de développer des systèmes complexes, tels que ceux requis pour la conduite autonome et les systèmes d'assistance à la conduite (ADAS). Ces systèmes traitent une grande quantité de données, sur lesquelles une série d'inférences d'IA est appliquée. Les travaux de recherche de la communauté de l'IA se concentrent sur l'amélioration des taux de reconnaissance, sans tenir compte des contraintes d'exécution de l'inférence de l'IA. Dans ce projet, nous voulons améliorer à la fois la prévisibilité et l'efficacité de l'exécution des inférences d'apprentissage profond (DL), en permettant prenant en compte leur contraintes temps réel, en exploitant les différents choix d’implémentations avec de nouvelles politiques de planification, sur des plates-formes de calcul hétérogènes, complexes, et à hautes performances. Le projet HeRITAGES atteindra ces objectifs en (i) évaluant les performances temporelles de différentes implémentations d’inférence DL sur différents éléments de calcul, afin de caractériser et d'extraire leurs caractéristiques d'exécution, (ii) en les modélisant ainsi que les dépendances entre inférences et entre inférences et d’autres types de calcul avec le modèle de tâche HPC-DAG; (iii) étudier l'impact des fonctionnalités extraites telles que l'empreinte mémoire des tâches et les interférences inter-tâches sur la co-ordonnancement des ressources et (iv) enfin, concevoir de nouvelles plateformes d'ordonnancement pour garantir le corrections du système par rapport aux approches proposées dans le projet HeRITAGES.