Summary

In this article, we present the guide line to dockerize an application. In the prerequisite section, we explain the essential concepts for understanding and correctly deploying an application. The next section of this document illustrates the implementation on Docker with some examples.

I. Virtual machines vs containers

With containers, as shown in Figure 1 below, instead of virtualizing the computer as a virtual machine, only the operating system is virtualized.

Dans ce papier, nous présentons ALAMBIC, une plateforme web open source dockérizée pour annoter des données textuelles à travers l'apprentissage actif (ou active learning, AL), pour la tâche de classification. AL est connu pour sa capacité de réduire le besoin en annotation, une tâche coûteuse en temps, en sélectionnant les instances les plus informatives parmi les instances non labélisées, atteignant une exactitude plus vite qu'en annotant des données au hasard.

Nonlinear dimensionality reduction (NLDR) algorithms such as t-SNE are often employed to visually analyze high-dimensional (HD) data sets in the form of low-dimensional (LD) embeddings. Unfortunately, the nonlinearity of the NLDR process prohibits the interpretation of the resulting embeddings in terms of the HD features. State-of-the-art studies propose post-hoc explanation approaches to locally explain the embeddings.

Le WP4 se focalise sur l’optimisation dans l’intelligence artificielle selon deux axes principaux :

1. les limitations en termes de calculs
2. les limitations en termes de données

Pour le premier axe, il s’agit de se concentrer sur la compression des réseaux de neurones quel que soit leur type afin à la fois de diminuer la taille de ces réseaux mais aussi le temps d’inférence dont ils ont besoin pour produire leurs prédictions.

Pour le deuxième axe il s’agit d’étudier les architectures qui permettent d’apprendre à partir de données

Les limitations des méthodes d’IA sont bien connues : elles sont extrêmement gourmandes en termes de données et de temps de calcul pour l’entraînement et elles mènent à des solutions parfois peu robustes, qui présentent des comportements erratiques, dans des situations, de plus, difficiles à caractériser. Une solution à ces deux limitations est d’intégrer à ces techniques dirigées par les données toutes connaissances a priori disponibles sur le processus que l’on cherche à modéliser.

Tandis que l’IA se fait de plus en plus omniprésente et pénètre des domaines où elle était encore inconnue jusque récemment (gestion des ressources humaines, administrations, fintech, sciences fondamentales, e-health, justice, industrie 4.0, etc.), il devient évident qu’une relation de confiance doit être établie entre les utilisateurs et celle-ci. Qu’ils soient experts ou non, les personnes confrontées à l’IA sont en droit d’attendre certaines garanties (fiabilités, respect de la confidentialité des données, stabilité et cohérence des décisions, etc.).

Les relations entre intelligence artificielle et experts humains ou même utilisateurs « lambda » (dans le cadre des interfaces homme-machine ou de processus de ludification) proposent de nombreux avantages et ouvrent des perspectives quant à l’application de l’IA dans des domaines sensibles (médecine, justice, etc.).