Contexte

Tensorflow-2 est une initiative open-source majeure de l’équipe Google Research. Avec son compagnon Keras, ce code s’avère dans le « top-5 » des logiciels utilisés dans le domaine des réseaux neuronaux typiques du deep learning. Par ailleurs, Tensorflow permet d’effectuer des calculs  tensoriels sur des données massives et possède des capacités de différentiation automatique applicables dans tous les segments de l’économie, des sciences et de l’ingénierie.
La sortie de ce livre est utile. Les ouvrages couvrant ces deux perspectives, en terme didactique et étant à jour techniquement, sont peu nombreux et de surcroîts rédigés en langue anglaise.

Contenu de l’ouvrage

L’auteur décrit avec soin comment utiliser la suite logicielle pour encoder les réseaux neuronaux caractéristiques du deep learning, développant un point de vue syntaxique et  opérationnel. Mais il ne se cantonnera pas à ces aspects souvent efficacement traités dans la littérature anglo-saxonne.

Après une introduction originale aux formes d’intelligence et à l’apprentissage artificiel qui mérite qu’on s’y attarde, Henri LAUDE nous propose un premier contact  trivial avec la suite logicielle open source Tensorflow/Keras. A ce stade il est possible de passer directement aux  chapitres 4,5 et 6 pour mette au point un premier réseau neuronal avec Tensorflow et Keras. Pas à pas, on apprendra à construire le code, à l’exécuter dans une configuration informatique améliorée via CUDA (Compute Unified Device Architecture) implémentée sur des cartes graphiques NVIDA, puis à l’optimiser au travers de la mise au point de certains hyper-paramètres.

Bien qu’optionnelles pour appréhender la suite, les 60 pages du troisième chapitre « code et mathématiques » qui  introduisent les représentations mathématiques sous-jacentes à l’utilisation de Tensorflow s’avèrent particulièrement intéressantes à étudier pour tous ceux qui veulent appréhender la lecture d’articles de fond et pour qui des expressions comme « gradient, hyperplan, forme linéaire, tenseur métrique, différentiation, notation d’Einstein ou encore matrice Jacobienne » semblent plus ou moins  mystérieuses. A lui seul, pour un étudiant pressé en second cycle universitaire ayant des difficultés en mathématiques, ce chapitre pourrait justifier l’acquisition de l’ouvrage.

Pour conclure,  le septième chapitre et les suivants inaugurent un voyage initiatique sur la robotique humanoïde qui n’est en fait qu’un prétexte pour aborder le panel des techniques d’intelligence artificielles qui seront utiles à des lecteurs issus d’ horizons aussi divers que les business analysts,  quants opérants sur les marchés financiers, les créateurs de startup ou de site web ou encore les ingénieurs de toutes disciplines. On y apprendra à traiter du mouvement, des trajectoires, du contrôle commande, du texte, du son, de l’image et de la prise de décision. On y abordera  de nombreuses techniques versatiles qui se trouvent au cœur des pratiques professionnelles dans l’air du temps (SLAM, MBC, RNN, CMM, LSTM, GAN …).

Les annexes comportent de petites pépites et font intégralement partie de l’ouvrage. On y trouve des syntaxes et des formulations très utiles, comme les expressions Tensorflow en convention d’Einstein ou une synthèse sans concession de la notion d’apprentissage par renforcement sur lequel des grands acteurs comme les GAFAM ou Elon Musk ont dernièrement investi des milliards de dollars.

Enfin, notez que l’ouvrage s’agrémente de 1500 lignes de codes illustratifs téléchargeables sur le site de l’éditeur et de  liens vers le Github de l’auteur qui comporte quant à lui des  codes de niveau professionnels. Par ailleurs, la bibliographie est très soigneusement élaborée et désigne un panel restreint de sources  choisies pour être effectivement étudiées lors d’une  éventuelle auto-formation à l’IA.

Notre avis

« Tensorflow et Keras » est un livre intéressant, très dense et original en terme de structure et de contenu. A divers titres il n’a pas d’équivalent, y compris en langue anglaise.

C’est un bon outil d’initiation pour des lecteurs exigeants qui veulent étudier  sérieusement et pas à pas le deep learning, les calculs tensoriels ou l’analyse de données massives sans se contenter de copier servilement les codes disponibles sur internet.

Le lecteur curieux et pressé, le manager ou le chef de projet  qui n’auraient pas l’intention d’apprendre à  coder en Tensorflow/Keras pourront en aborder la lecture d’une façon plus superficielle et négliger l’étude du code sans pour autant perdre le fil de l’ouvrage. Ils disposeront alors du vocabulaire et des concepts suffisants pour dialoguer avec les professionnels de l’IA et survoler les nombreuses publications associées au domaine.

A propos de l’auteur

Henri LAUDE est un professionnel reconnu des Computer Sciences. Il a encadré de nombreux travaux de R&D autour des data science, connexes à l’intelligence économique, à l’IA, à l’automatisation robotique, aux FinTech, à la détection de fraudes et à la cyberdéfense. Président de l’APIEC (Association pour la Promotion de l’Intelligence Economique), il est co-fondateur de la startup Advanced Research Partners, dans laquelle il anime la conception d’algorithmes très novateurs primés au Data Intelligence Forum sous le nom DxM (pour Deus eX Machina). Il est également Chief Data Scientist des startups ExorIAr (un exosquelette robotique intelligent), SysScale (un écosystème complet de développement digital/devops/IA) et du Laboratoire de Data Sciences StradaLabs (Intelligence Artificielle et IOT pour les transporteurs et logisticiens).