Examen des demandes de brevet relatives aux inventions d'intelligence artificielle (IA) : les scénarios

Jun 17, 2023

Publié le 22 septembre 2022

© Copyright de la Couronne 2022

Cette publication est sous licence selon les termes de la licence Open Government License v3.0, sauf indication contraire. Pour consulter cette licence, rendez-vous sur nationalarchives.gov.uk/doc/open-government-licence/version/3 ou écrivez à l'équipe chargée de la politique d'information, The National Archives, Kew, Londres TW9 4DU, ou envoyez un e-mail à : [email protected]. Royaume-Uni.

Lorsque nous avons identifié des informations de copyright de tiers, vous devrez obtenir l'autorisation des détenteurs de droits d'auteur concernés.

Cette publication est disponible sur https://www.gov.uk/government/publications/examining-patent-applications-relating-to-artificial-intelligence-ai-inventions/examining-patent-applications-relating-to-artificial-intelligence -ai-inventions-les-scenarios

1.Ce document contient un ensemble de "scénarios" concernant les inventions qui impliquent l'intelligence artificielle (IA) ou l'apprentissage automatique (ML). Il est conçu pour accompagner les lignes directrices pour l'examen des demandes de brevet relatives aux inventions d'IA. Les lignes directrices concernent principalement la brevetabilité des inventions d'IA en ce qui concerne les dispositions sur les matières exclues énoncées à l'article 1(2) de la loi de 1977 sur les brevets.

2. L'IPO considère que des brevets sont disponibles pour les inventions d'IA dans tous les domaines technologiques. Les scénarios de ce document sont destinés à refléter et à illustrer le large éventail de domaines techniques divers dans lesquels les inventions d'IA peuvent être trouvées.

3.Chaque scénario contient une très brève description du fonctionnement de son invention d'IA et un exemple illustratif d'une revendication de brevet. Chaque scénario comprend une évaluation simplifiée énonçant notre opinion sur la manière dont chaque invention d'IA serait probablement évaluée au regard de l'article 1(2).

4.Pour éviter tout doute, nous soulignons que ce document n'est pas une source de droit. Nos opinions sur la brevetabilité des scénarios ne seront contraignantes à aucune fin en vertu de la loi de 1977 sur les brevets.

5.Les scénarios ont été conçus pour se concentrer uniquement sur la question des matières exclues. Nous avons supposé que les inventions revendiquées sont nouvelles et non évidentes. Nous avons également supposé que chaque scénario était suffisamment divulgué.

6.Les évaluations des éléments exclus que nous donnons suivent une application simplifiée de l'approche Aerotel en quatre étapes. Nous avons omis l'examen détaillé des étapes 1 et 2 de l'approche Aerotel. Plus précisément : A. À l'étape 1, nous avons simplement supposé que chaque revendication était suffisamment claire et qu'aucun problème d'interprétation ne se posait. b. À l'étape 2, nous avons simplifié l'évaluation en indiquant ce que nous considérons comme la contribution réelle c. Aux étapes 3 et 4, nous avons simplifié l'analyse en nous concentrant principalement sur l'exclusion « programme pour ordinateur » de l'article 1(2). Sauf indication contraire, nos avis non contraignants se limitent à cette exclusion.

7.Tout commentaire ou question découlant de ces scénarios doit être adressé à :

Phil ThorpeOffice de la propriété intellectuelleConcept HouseCardiff RoadNewportSouth WalesNP10 8QQ

(Téléphone 01633 813745) Courriel : Phil Thorpe

Nigel HanleyOffice de la propriété intellectuelleConcept HouseCardiff RoadNewportSouth WalesNP10 8QQ

Téléphone 01633 814746 E-mail : Nigel Hanley

Arrière-plan La présente invention concerne un système de gestion de stationnement situé dans un parc de stationnement automobile équipé d'une surveillance par caméra.

Les images des caméras du système sont traitées par un premier réseau neuronal qui est formé pour détecter un véhicule s'approchant d'une entrée de l'installation. Lorsque le premier réseau neuronal détecte un véhicule qui approche dans une image, l'image est transmise à un second réseau neuronal pour mettre en œuvre un système de système de reconnaissance automatique de plaque d'immatriculation (ANPR). Le deuxième réseau neuronal est formé pour identifier une région de plaque d'immatriculation spécifique dans l'image. Un module de reconnaissance reçoit la région de plaque d'immatriculation identifiée et applique un algorithme de reconnaissance optique de caractères pour déterminer le numéro d'immatriculation du véhicule.

Système de reconnaissance de plaque d'immatriculation comprenant :un dispositif de capture d'image positionné à l'entrée d'un parc de stationnement ;un dispositif informatique pour recevoir des images du dispositif de capture d'image et comprenant :un premier réseau neuronal configuré pour détecter un véhicule dans une image capturée ;un deuxième un réseau neuronal configuré pour recevoir une indication du véhicule à partir du premier réseau neuronal, détecter la présence d'une plaque d'immatriculation dans l'image et déterminer une région d'intérêt dans laquelle la plaque d'immatriculation est située ; etun module de reconnaissance configuré pour recevoir la région d'intérêt et appliquer un processus de reconnaissance optique de caractères à la région d'intérêt pour déterminer les caractères d'un numéro d'immatriculation du véhicule.

La contribution

Au-delà d'un système de surveillance classique comportant une caméra et un ordinateur, l'apport apporté par l'invention est :

un système de reconnaissance de plaque d'immatriculation utilisant un premier réseau neuronal pour détecter un véhicule dans une image capturée ; un deuxième réseau de neurones pour détecter la présence d'une plaque d'immatriculation dans l'image et pour déterminer une région d'intérêt dans laquelle se trouve la plaque d'immatriculation, et un module pour appliquer un processus de reconnaissance optique de caractères sur la région d'intérêt pour déterminer les caractères de le numéro d'immatriculation du véhicule.

La contribution est un système de reconnaissance de plaques d'immatriculation qui n'est pas exclu par l'article 1(2). Bien que le système de reconnaissance de plaque d'immatriculation soit mis en œuvre par ordinateur, il s'agit plus qu'un programme pour un ordinateur en tant que tel car il exécute un processus technique externe à un ordinateur. Le système de reconnaissance de plaques d'immatriculation comprend une combinaison de deux réseaux de neurones et un module de reconnaissance qui effectuent spécifiquement des opérations de traitement d'image qui sont de nature technique (voir Vicom). Le système a un effet technique dans le sens du poteau indicateur (i). Il résout évidemment un problème technique lié à la reconnaissance des plaques d'immatriculation des véhicules, de sorte que le panneau (v) indiquerait également l'admissibilité.

L'invention revendiquée n'est pas exclue.

Les systèmes d'alimentation en gaz sont des systèmes complexes qui sont surveillés par plusieurs capteurs situés dans le système d'alimentation et dans son environnement de fonctionnement. Typiquement, les données des capteurs peuvent être combinées et analysées par un opérateur pour fournir à l'opérateur une vue d'ensemble de l'état opérationnel, à la fois des composants individuels au sein du système et du système dans son ensemble. Cela peut aider l'opérateur à identifier les défauts dans le système et les options de reconfiguration du système.

Cependant, il est reconnu que cette approche nécessite des compétences spécialisées de la part de l'opérateur et est sujette à l'erreur, en particulier lorsque les données d'un grand nombre de capteurs interconnectés doivent être prises en compte. En particulier, il est difficile de comprendre l'interdépendance des changements apportés au système.

Ce problème a été identifié par l'inventeur, qui a développé un système d'intelligence artificielle pour recevoir et catégoriser les données de capteur relatives à un système d'alimentation en gaz, identifier les défauts et recommander des changements de configuration du système pour résoudre les défauts. En faisant des recommandations, le système d'IA analysera l'effet qu'un changement de configuration peut avoir sur le système. Le système peut mettre en œuvre une modification de configuration recommandée du système à l'aide d'un contrôleur opérationnel automatique.

Procédé mis en œuvre par ordinateur pour gérer l'état de fonctionnement d'un système d'alimentation en gaz à l'aide de capteurs dans le système d'alimentation en gaz et dans son environnement de fonctionnement, et caractérisé en ce que le procédé comprend un système d'intelligence artificielle :recevoir et analyser des données provenant des capteurs ;identifier des conditions de défaut dans le système d'alimentation en gaz sur la base de l'analyse ;etsignaler les conditions de défaut et générer une solution recommandée à un contrôleur opérationnel automatisé du système d'alimentation en gaz.

La contribution

La contribution consiste à gérer l'état d'un système d'alimentation en gaz à l'aide d'un système d'intelligence artificielle qui identifie les conditions de panne dans le système d'alimentation en gaz, sur la base des données de capteur relatives au fonctionnement du système d'alimentation en gaz, et signale les conditions de panne et les solutions recommandées à un système automatisé. contrôleur opérationnel.

La contribution ne relève pas uniquement de l'exclusion des programmes d'ordinateur. La contribution apportée par l'invention est une solution à un problème technique externe à l'ordinateur sur lequel le système AI fonctionne, à savoir la surveillance du fonctionnement d'un système technique externe (un système d'alimentation en gaz) pour des conditions de défaut. Il s'agit d'un apport technique. Les panneaux (i) et (v) indiquent l'admissibilité.

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

L'analyse du mouvement d'un objet peut être utilisée pour identifier une activité. Dans certains exemples connus, tels que des événements sportifs, l'analyse du mouvement d'un objet peut être utile pour l'entraînement. En variante, dans les systèmes basés sur les gestes, un geste déterminé peut être utilisé comme mécanisme de contrôle ou pour émettre une alarme. Dans un exemple connu, un système d'arrêt du tabac génère une alarme dans un dispositif porté au poignet pour dissuader l'utilisateur de fumer.

Typiquement, ces systèmes connus fonctionnent en comparant des données en temps réel à des modèles statistiques pour déterminer le mouvement, et ils dépendent fortement de la précision de leur modèle statistique. Par conséquent, les systèmes qui s'appuient sur les modèles statistiques peuvent être inexacts.

L'inventeur a proposé un système qui utilise des vecteurs de mouvement dérivés de l'accélération, de la vitesse et de l'orientation dans les directions X, Y et Z comme entrée d'un réseau neuronal pour classer le mouvement. Le système fonctionne en recevant des données de mouvement en temps réel à partir d'un appareil tel qu'une montre de sport ou d'autres capteurs de mouvement. Le réseau neuronal traite le vecteur de mouvement à l'aide d'une bibliothèque de classification pour classer le mouvement en un mouvement particulier.

Dispositif mis en œuvre par ordinateur pour analyser un mouvement comprenant :un contrôleur ayant une interface de données, un réseau neuronal et une bibliothèque de classification de mouvement ;des capteurs comprenant un gyroscope, un magnétomètre et un accéléromètre, dans lequel les données de chaque capteur sont chacune émises vers le contrôleur via l'interface de données;caractérisé en ce que le contrôleur peut fonctionner pour:déterminer un vecteur de mouvement à partir des données reçues; etfournir le vecteur de mouvement déterminé au réseau neuronal, dans lequel le réseau neuronal est configuré pour classer le vecteur de mouvement comme l'un d'un mouvement particulier dans la bibliothèque de classification.

La contribution

La contribution est un appareil qui détermine un vecteur de mouvement à partir des données capturées par ses capteurs (gyroscope, magnétomètre, accéléromètre) et utilise un réseau de neurones et une bibliothèque de classification pour classer le vecteur de mouvement comme un mouvement de la bibliothèque.

La contribution n'est pas uniquement un programme pour un ordinateur puisque sa tâche est d'effectuer un processus de classification des données de capteur mesurées décrivant le mouvement physique d'un dispositif informatique. Ce processus est un processus technique situé en dehors du dispositif informatique et est réalisé par des moyens techniques. Il concerne la classification des données de capteurs du monde réel comme un mouvement déterminé. Le poteau indicateur (i) indiquerait la brevetabilité.

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

La cavitation dans un système de pompage est la formation de bulles de vapeur dans la zone d'écoulement d'entrée de la pompe, ce qui peut provoquer une usure accélérée et des dommages mécaniques aux joints de la pompe, aux roulements et autres composants de la pompe, aux accouplements mécaniques, aux trains d'engrenages et aux composants du moteur.

Un système de pompe comporte un appareil de mesure adapté pour mesurer des données de débit et de pression de pompe associées au système de pompe. Un système de classificateur détecte la cavitation de la pompe en fonction des données de débit et de pression. Le système de classification comprend un réseau neuronal qui est entraîné par rétropropagation. Les dispositifs de mesure comprennent des capteurs (1, 2) pour mesurer la pression d'entrée et la pression de sortie associées à une entrée (3) et une sortie (4), respectivement, du système de pompe. Le débit à travers la pompe est également mesuré.

1.Procédé d'entraînement d'un système de classification de réseau neuronal pour détecter la cavitation dans un système de pompe, le procédé comprenant les étapes consistant à :corréler chacune d'une pluralité de paires de données de débit et de pression de pompe mesurées avec l'une d'une pluralité de valeurs de classe, produisant ainsi un ensemble de données d'apprentissage, dans lequel chacune de la pluralité de valeurs de classe est indicative d'une étendue de cavitation dans le système de pompage et au moins une de la pluralité de valeurs de classe est indicative de l'absence de cavitation dans le système de pompe ; etapprendre le système classificateur de réseau neuronal en utilisant l'ensemble de données d'apprentissage et la rétropropagation.

2.Un procédé pour détecter la cavitation dans un système de pompe comprenant :la mesure des données de débit et de pression de la pompe ;la détection de la cavitation de la pompe en fonction desdites données de débit et de pression ;dans lequel l'étape de détection comprend la fourniture desdites données de débit et de pression en tant qu'entrées à un système de classification utilisant un réseau neuronal entraîné, dans lequel le réseau neuronal fournit un signal indicatif de l'existence et de l'étendue de la cavitation dans le système de pompe, et met à jour ledit signal (6) pendant le fonctionnement dudit système de pompe.

La contribution

À partir de la revendication 1, la contribution qu'il apporte est une méthode mise en œuvre par ordinateur pour former (c'est-à-dire configurer) un classificateur de réseau neuronal afin qu'il puisse détecter la cavitation dans un système de pompe, où la méthode utilise la rétropropagation avec un ensemble de données de formation comprenant des mesures de débit de pompe et de pression du système de pompe qui sont chacun corrélés à une valeur indiquant une étendue correspondante de cavitation de pompe dans le système.

Bien que la contribution repose sur un programme informatique, il s'agit de plus qu'un programme informatique en tant que tel. La contribution concerne un processus d'utilisation de données physiques pour entraîner un classificateur dans un but technique spécifique, à savoir la détection de cavitation dans un système de pompage. Ceci est de nature technique. Il y a un apport technique au sens du poteau indicateur (i).

La revendication 2 révèle également une contribution technique puisqu'elle concerne l'utilisation d'un classificateur entraîné dans le but technique spécifique de détecter la cavitation dans le système de pompe. Un processus technique situé en dehors de l'ordinateur au sens du poteau indicateur (i) est exécuté.

L'invention définie dans les revendications 1 et 2 n'est pas exclue en vertu de l'article 1(2).

De nombreuses voitures sont équipées de convertisseurs catalytiques pour réduire les quantités de gaz tels que NOx et CO dans leurs gaz d'échappement. Un problème pour de tels convertisseurs est que leur efficacité opérationnelle change avec le rapport carburant-air dans les chambres de combustion du moteur. Le rapport carburant-air doit donc être contrôlé pour être maintenu à une valeur fixe afin de maintenir le fonctionnement efficace du convertisseur catalytique.

Il est connu de contrôler la quantité de carburant injectée dans la chambre de combustion d'un moteur à l'aide d'une commande prédictive par rapport à la position du papillon et d'une commande de rétroaction supplémentaire par rapport à un capteur d'oxygène (ou capteur air/carburant) prévu dans l'échappement. Bien que cela fonctionne bien, il peut être difficile de contrôler correctement le rapport carburant-air lorsque le moteur accélère ou décélère.

L'inventeur a développé un système de commande d'injecteur qui utilise un réseau neuronal formé pour déterminer une quantité par laquelle une quantité d'injection de carburant donnée doit être ajustée pendant l'accélération/la décélération pour maintenir un rapport carburant/air correct et ainsi maintenir l'efficacité du convertisseur catalytique. Le réseau neuronal reçoit des entrées de données relatives à l'état de fonctionnement du moteur, telles que le régime moteur (RPM), la pression d'air d'admission, la position du papillon, la quantité d'injection de carburant, la température d'admission d'air, la température du liquide de refroidissement du moteur et les données d'un capteur de gaz d'échappement. Le réseau neuronal émet un signal indiquant un changement de la quantité d'injection de carburant pour commander le moteur.

Réseau neuronal mis en œuvre par ordinateur pour ajuster la quantité de carburant injectée dans un cylindre d'un moteur à combustion, le réseau neuronal comprenant :une couche d'entrée ayant :une entrée pour recevoir le régime moteur du moteur ;une entrée pour recevoir la pression d'air d'admission du moteur ;une entrée pour recevoir la position actuelle du papillon des gaz ;une entrée pour recevoir la quantité de carburant injectée actuelle ;une entrée pour recevoir la température d'admission d'air ;une entrée pour recevoir la température de refroidissement de l'eau ;une entrée pour recevoir les données du capteur de gaz d'échappement ;au moins une couche cachée , dans lequel la couche cachée est connectée à la couche d'entrée ;une couche de sortie connectée à la au moins une couche cachée ; et dans lequella couche de sortie a une sortie indiquant une quantité dont l'injection de carburant doit être modifiée.

La contribution

La contribution est un réseau neuronal qui émet un signal de commande relatif à une quantité dont l'injection de carburant doit être modifiée sur la base d'entrées relatives à l'état de fonctionnement du moteur, tel que défini dans la revendication.

La contribution est une solution à un problème technique situé en dehors d'un ordinateur, c'est-à-dire le maintien d'un rapport carburant-air correct dans un moteur, c'est donc plus qu'un programme pour un ordinateur en tant que tel. Le réseau neuronal prend comme entrées des données représentant l'état de fonctionnement du moteur et émet un signal de commande indiquant la quantité dont une quantité d'injection de carburant doit changer. Le signal de commande est adapté pour commander un processus technique qui existe en dehors de l'ordinateur sur lequel tourne le réseau neuronal. Il s'agit d'un apport technique. Les panneaux (i) et (v) s'appliquent.

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

Il est utile de mesurer le pourcentage de sang quittant chaque ventricule d'un cœur pour déterminer la santé du cœur. Cette mesure peut être estimée par un opérateur qualifié d'un système d'imagerie par ultrasons en imageant un cœur et en traçant et en mesurant les limites des ventricules du cœur à chaque extrémité d'un battement de cœur. Cependant, l'exactitude de l'estimation de l'opérateur dépend de la compétence et du jugement de l'opérateur.

L'inventeur a conçu un procédé dans lequel un réseau neuronal entraîné est utilisé pour fournir une mesure du pourcentage de sang éjecté par un cœur en analysant une série d'images du cœur sur un battement de cœur. Le réseau de neurones est formé à l'aide d'une approche d'apprentissage supervisé.

Procédé mis en œuvre par ordinateur pour déterminer un pourcentage de sang éjecté d'un coeur donné pendant un battement de coeur, le procédé comprenant :l'apprentissage d'un réseau neuronal avec des ensembles de données d'imagerie cardiaque, chaque ensemble comprenant des données d'imagerie d'un ventricule au fil du temps et des pourcentages d'éjection de sang associés, les ensembles étant associés à différents cœurs ;et utiliser le réseau neuronal entraîné pour :recevoir un ensemble de données d'imagerie d'un ventricule du cœur donné ;sortir un pourcentage d'éjection de sang pour le cœur donné.

La contribution

La contribution est une méthode d'estimation d'un pourcentage de sang éjecté d'un cœur en entraînant un réseau neuronal avec des données d'imagerie cardiaque qui ont été étiquetées avec un pourcentage d'éjection de sang, puis en obtenant une estimation du pourcentage de sang éjecté d'un cœur donné sur une période heartbeat en fournissant un ensemble d'images de ce cœur (sur son rythme cardiaque) au réseau neuronal formé.

La contribution est plus qu'un programme pour un ordinateur en tant que tel car elle concerne une mesure améliorée du pourcentage de sang éjecté d'un cœur pendant un battement de cœur. Il s'agit d'une mesure technique d'un système physique. Cette mesure améliorée est un exemple d'effet technique sur un processus situé en dehors de l'ordinateur qui met en œuvre l'invention, suivant le poteau indicateur (i). Il s'agit d'un apport technique.

L'invention n'est pas exclue en vertu de l'article 1(2).

Les commerçants sur une bourse de négociation surveillent la performance de diverses actions et instruments négociables pour essayer d'identifier les opportunités de faire un commerce bénéfique. Cela nécessite des connaissances, une compréhension et une expérience spécialisées pour reconnaître et identifier les modèles et les tendances du marché. Cela signifie que les traders se spécialiseront souvent dans une gamme étroite d'instruments, par exemple les actions énergétiques, les dérivés financiers ou les matières premières.

L'inventeur a reconnu que cela peut entraîner la négligence de métiers bénéfiques. Un trader peut soit manquer une opportunité de trading pour des instruments détenus dans le cadre de sa position, soit une chance de réduire une perte ou d'augmenter un profit d'une transaction. Pour aider le trader, l'inventeur a développé une IA qui peut identifier les modèles et les corrélations entre les prix des actions et des instruments, identifier les transactions en fonction des performances récentes et des différences de calendrier, et prédire les comportements futurs. L'un des avantages offerts par l'IA est la possibilité de "voir" des connexions qui seraient autrement opaques et non évidentes.

L'IA est couplée à une plateforme de courtage automatique pour lui permettre d'exécuter des transactions en fonction des limites de profit/perte fournies par le trader.

Système de négociation d'instruments financiers mis en œuvre par ordinateur comprenant un marché boursier, un terminal de courtage, un assistant IA et un système de courtage automatisé, caractérisé en ce que l'assistant IA est configuré pour :recevoir des données de prix actuelles et historiques pour des instruments financiers négociables à partir des bourses ; croiser des combinaisons d'instruments financiers pour identifier des groupes d'instruments corrélés ; identifier des tendances au sein de chaque groupe corrélé ; recevoir des positions de négociateur à partir du terminal de courtage ; etsur la base des tendances identifiées et des positions des commerçants, émettre des instructions de transaction automatisées vers le système de courtage automatisé.

La contribution

La contribution est un système de négociation d'instruments financiers mis en œuvre par ordinateur doté d'un assistant d'intelligence artificielle pour surveiller les corrélations entre les instruments négociables et mettre en œuvre des transactions automatisées selon des limites de profit/perte fixées par un commerçant.

La contribution porte entièrement sur une méthode de faire des affaires en tant que telle. Toutes les entrées et toutes les sorties du système se rapportent uniquement à la négociation d'instruments financiers, qu'il s'agisse de prix ou d'instructions de négociation. Le résultat de l'invention n'est rien de plus qu'un système d'échange d'instruments financiers. Cela ne compte pas comme une contribution technique.

L'invention revendiquée est exclue de la protection par brevet en vertu de l'article 1(2) parce qu'il s'agit d'une méthode commerciale en tant que telle.

L'identification des besoins de santé actuels et futurs des populations est une entreprise majeure. La nature même des problèmes de santé signifie souvent qu'un système de santé est réactif plutôt que proactif. En tant que tel, il est souvent difficile d'identifier la demande future au niveau personnel et au niveau de la population.

L'inventeur a découvert qu'il est possible d'utiliser des techniques d'apprentissage automatique pour analyser les dossiers de santé des patients afin d'affecter les patients à des groupes ou sous-populations à risque où une future intervention de santé peut être nécessaire. Cela peut permettre aux planificateurs de la santé «d'évaluer la population» et d'identifier les groupes de patients appropriés au sein de la population pour des essais de médicaments ou des traitements alternatifs.

Le système utilise un dispositif d'intelligence artificielle pour prendre en compte les dossiers de santé d'une population de patients. Le dispositif d'IA identifie des variables empiriques dans les dossiers de santé, recherche des corrélations entre les variables et utilise des variables corrélées pour créer des marqueurs qui peuvent être utilisés pour identifier des groupes de patients dans la population. Les dossiers de santé des patients comprendront nécessairement des dossiers administratifs, mais peuvent également inclure des antécédents de traitement et des détails sur les résultats d'examens médicaux.

Procédé mis en œuvre par ordinateur pour identifier les besoins médicaux futurs d'une population, exécuté par un dispositif d'IA, le procédé comprenant les étapes consistant à :saisir des enregistrements de patients dans le dispositif d'IA ;agréger des données à partir des enregistrements de patients ;identifier une pluralité de variables à partir des enregistrements agrégés des données;identifier des corrélations entre les variables;attribuer des patients à des groupes sur la base des variables corrélées; etsortir une gamme de métriques de santé pour chaque groupe.

La contribution

La contribution de l'invention est identifiée comme :un procédé mis en œuvre par ordinateur pour analyser les données des patients et regrouper les patients en groupes sur la base de l'analyse.

La contribution consiste uniquement en un objet exclu. Il s'agit d'un programme qui analyse simplement le contenu informatif des données du patient et n'est rien de plus qu'un programme pour un ordinateur en tant que tel. L'invention ne représente pas un procédé technique extérieur à un ordinateur, ni ne contribue à la solution d'un problème technique extérieur à un ordinateur. De plus, l'analyse des données des patients pour déterminer les groupes de patients est une tâche entièrement administrative et n'est rien de plus qu'une méthode de faire des affaires en tant que telle.

L'invention revendiquée est exclue en tant que programme pour un ordinateur en tant que tel et/ou en tant que méthode commerciale en tant que telle.

Les e-mails non sollicités ou postés sont considérés par de nombreux utilisateurs comme une nuisance. Ces e-mails remplissent souvent les boîtes aux lettres et empêchent potentiellement l'utilisateur de voir des communications importantes. Pour faire face à cette situation, de nombreux systèmes basés sur des règles bien connus existent pour identifier ces messages comme indésirables et les déplacer vers une boîte aux lettres de courrier indésirable (ou une boîte aux lettres similaire de faible priorité).

L'inventeur s'est rendu compte que ces approches connues ont des limites car un ensemble de règles ne conviendra pas à tous les utilisateurs. Ce qui est du courrier indésirable pour un utilisateur ne l'est pas nécessairement pour un autre. De plus, les expéditeurs de courrier indésirable adapteront ce qu'ils envoient à n'importe quel ensemble de règles donné.

Pour contrer ces problèmes, l'inventeur a développé un système d'IA qui apprend grâce aux commentaires des utilisateurs. Le système fonctionne en analysant le texte de tous les e-mails entrants à l'aide d'un classificateur d'IA formé pour classer l'e-mail en fonction de son contenu et de sa structure sémantique. Le classifieur IA est entraîné sur un corpus d'e-mails préalablement classés. Le classificateur AI classe les e-mails reçus comme indésirables, non indésirables ou incertains. Les e-mails identifiés comme "incertains" peuvent être classés manuellement par l'utilisateur. L'e-mail et sa classification sont ensuite utilisés pour ajuster de manière appropriée la formation du classificateur AI.

Le système complet fournit un système de filtrage de courrier indésirable qui s'adapte aux besoins de l'utilisateur et au comportement changeant des créateurs de courrier indésirable.

Procédé mis en œuvre par ordinateur pour identifier un message électronique reçu comme appartenant à une classe de message, le procédé comprenant les étapes consistant à :analyser le contenu du message à l'aide d'un classificateur d'IA formé qui classe le contenu, selon son contenu textuel et sa structure sémantique, soit comme une première classe, soit comme une deuxième classe, soit comme incertain ; si le message est classé comme incertain, recevoir une entrée d'un utilisateur classant le message comme soit la première soit la deuxième classe ; etla mise à jour de l'apprentissage du classificateur AI à l'aide du message classifié par l'utilisateur et de sa classification.

La contribution

La contribution est une méthode de classification des e-mails, basée sur le contenu textuel et la structure sématique de l'e-mail, comme indésirable ou non indésirable à l'aide d'un classificateur AI, où lorsque le classificateur AI n'est pas sûr qu'un e-mail soit indésirable ou non, il demande à un utilisateur de décider et utilise le résultat pour mettre à jour le classifieur.

Cette contribution n'est rien de plus qu'un programme pour un ordinateur en tant que tel. Au-delà de la simple demande d'entrée de l'utilisateur, la contribution ne fait rien de plus qu'analyser le contenu textuel des communications électroniques pour déterminer une classification de ces communications. Il consiste en la simple manipulation de données qui n'a aucun effet technique au-delà de l'exécution d'un programme sur un ordinateur. Il n'y a pas d'apport technique. Aucun des panneaux n'indique l'admissibilité.

L'invention revendiquée est exclue en vertu du programme d'exclusion informatique de l'article 1(2)

La mémoire cache ou le stockage hautes performances sont couramment utilisés dans les systèmes informatiques pour améliorer les performances du système en atténuant les performances plus lentes d'un magasin de données associé. Les données fréquemment consultées contenues dans le magasin de données peuvent être stockées (mises en cache) dans la mémoire cache afin qu'elles puissent être récupérées rapidement en cas de besoin.

Les performances globales d'un système de mémoire dépendent du choix des données à stocker dans le cache à partir de son magasin de données associé. Bien qu'un cache puisse démarrer vide, une fois qu'il est entièrement rempli, le contenu du cache doit être géré pour maintenir les performances en supprimant et en remplaçant les données qui y sont stockées.

Il existe deux schémas pour identifier les données à supprimer du cache lors de l'ajout de nouvelles données. La première consiste à supprimer les données les moins récemment utilisées (LRU). Le deuxième schéma supprime les données les moins fréquemment utilisées mais pas nouvelles (LFU). Un schéma peut conduire à de meilleures performances globales du système que l'autre en fonction des données particulières stockées dans le cache.

L'inventeur a conçu un procédé de gestion du remplissage d'un cache en utilisant un réseau neuronal formé pour identifier si le schéma LRU ou le schéma LFU conduira aux meilleures performances du système. Le réseau neuronal prend, comme entrées, les données identifiées pour suppression par chacun des schémas LRU et LFU ainsi que d'autres caractéristiques du cache, par exemple sa taille et le rapport du nombre de fois où les données demandées sont trouvées dans le cache par rapport au nombre de fois qu'il ne l'est pas (connu sous le nom de rapport succès/échec du cache). Le réseau neuronal renvoie ensuite une indication du schéma à utiliser pour garantir les meilleures performances du système.

Procédé de gestion de données stockées dans une mémoire cache de données pour une mémoire de données dans un système informatique qui utilise la mémoire cache comme moyen pour stocker des données fréquemment consultées à partir de la mémoire de données, le procédé comprenant :l'utilisation d'un premier algorithme de suppression pour identifier des premières données à supprimées du cache ;utiliser un deuxième algorithme de suppression pour identifier des deuxièmes données à supprimer du cache ;fournir les premières données, les deuxièmes données, une valeur de taille de cache et un rapport réussite/échec de cache en tant qu'entrées à un système neuronal formé réseau, dans lequel le réseau neuronal formé fournit comme sortie une sélection du premier ou du deuxième algorithme à utiliser pour supprimer des données du cache ; etlors de l'ajout de nouvelles données du magasin de données au cache, utiliser l'algorithme sélectionné pour supprimer des données du cache.

La contribution

La contribution consiste à gérer les données dans un cache en utilisant un réseau neuronal pour sélectionner un algorithme de suppression optimal pour supprimer les données du cache, la sélection étant basée sur les données sélectionnées pour suppression par différents algorithmes et caractéristiques de performance du cache.

La contribution est plus qu'un programme pour un ordinateur en tant que tel car il s'agit de résoudre un problème technique lié au fonctionnement interne d'un ordinateur, c'est-à-dire d'améliorer le fonctionnement de la hiérarchie mémoire d'un ordinateur. L'invention améliore le fonctionnement d'un ordinateur quelles que soient les applications en cours d'exécution ou la nature des données en cours de traitement, et elle rend l'ordinateur plus efficace et performant. Il révèle un effet technique au sens des repères (ii), (iv) et (v).

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

Des acteurs malveillants peuvent accéder à des systèmes informatiques protégés en obtenant des identifiants d'authentification valides d'utilisateurs autorisés. Ils peuvent, par exemple, utiliser une attaque de phishing contre l'utilisateur pour obtenir son nom d'utilisateur et son mot de passe.

L'inventeur a imaginé un procédé d'identification d'acteurs malveillants en cas d'accès à un système informatique, permettant ainsi d'effectuer des actions correctives. Cela se fait en comparant les caractéristiques d'utilisation des acteurs malveillants avec celles de l'utilisateur avec les détails duquel ils ont obtenu l'accès ou dont ils se font passer pour

Le procédé consiste à entraîner un algorithme d'apprentissage automatique sur un ensemble initial de données représentant l'utilisation caractéristique d'un utilisateur pour le système informatique (par exemple les applications qu'il utilise, sa manière de taper et son utilisation d'une souris). Par la suite, lorsque quelqu'un se connecte avec les informations d'identification de cet utilisateur, l'algorithme d'apprentissage automatique formé est utilisé pour évaluer l'authenticité de «l'utilisateur» en fonction d'une utilisation caractéristique nouvellement mesurée pour le système informatique. Si l'algorithme d'apprentissage automatique indique que « l'utilisateur » n'est probablement pas l'utilisateur authentique, le système identifie l'utilisateur comme un acteur malveillant et des mesures correctives peuvent être prises.

Procédé mis en œuvre par ordinateur comprenant :l'authentification d'un utilisateur dans un premier temps sur un système informatique ;en réponse à l'authentification de l'utilisateur dans un premier temps, le calcul, à l'aide d'au moins un modèle d'apprentissage automatique, d'un score de caractéristique de comportement pour l'utilisateur, le comportement score caractéristique caractérisant les interactions de l'utilisateur avec le système informatique ;authentifier un utilisateur dans un second temps sur un système informatique ;en réponse à l'authentification de l'utilisateur dans un deuxième temps, calculer, à l'aide du modèle d'apprentissage automatique, un score de comportement caractérisant les interactions du utilisateur avec le système informatique ; etdéterminer que l'utilisateur authentifié au deuxième moment est un utilisateur malveillant sur la base du score de caractéristique de comportement calculé et du score de comportement calculé.

La contribution

La contribution apportée par l'invention est la détermination qu'un utilisateur se connectant à un système informatique est un utilisateur malveillant sur la base d'un score de comportement calculé par un modèle d'apprentissage automatique et d'un score caractéristique de comportement connu pour un utilisateur authentique calculé par le modèle d'apprentissage automatique.

L'apport est plus qu'un programme informatique en tant que tel car il s'agit d'une solution à un problème technique inhérent au système informatique, à savoir la détection d'une intrusion malveillante. Ceci est réalisé en surveillant de manière répétée l'utilisation caractéristique du système informatique par un utilisateur. Il s'agit d'un exemple de surveillance du fonctionnement interne du système informatique considéré comme étant de nature technique. L'invention fonctionne quelles que soient les applications exécutées et les données traitées par le système informatique. Il y a un effet technique au moins au sens des repères (ii) et (v).

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

Il est connu que les dispositifs à écran tactile permettent la saisie de texte en affichant un clavier virtuel à travers lequel un utilisateur peut saisir du texte dans une zone de texte associée. La saisie de texte de cette manière peut demander beaucoup de travail et de temps et est, compte tenu de la taille relativement petite de nombreux appareils, sujette aux erreurs de l'utilisateur en écrasant les touches virtuelles.

L'inventeur a écrit un programme qui aide à alléger le fardeau de la saisie de texte en utilisant un réseau neuronal récurrent (RNN) formé pour prédire les prochains mots probables (ou entrée de chaîne) compte tenu des mots ou ponctuations précédents saisis. Les mots prédits sont classés et une sélection des mots les plus probables est présentée à l'utilisateur. Le mot affiché peut ensuite être sélectionné par l'utilisateur et utilisé comme entrée de texte à partir du clavier virtuel. L'invention présente l'avantage de permettre à l'utilisateur d'entrer le texte souhaité dans l'ordinateur avec plus de précision et en utilisant moins d'appuis sur des touches virtuelles.

Procédé de saisie de texte sur un dispositif affichant un clavier virtuel interactif, le procédé comprenant les étapes consistant à :recevoir au niveau du dispositif une entrée provenant du clavier virtuel ;fournir l'entrée à un réseau neuronal récurrent formé pour prédire et classer une sélection de mots susceptibles d'être l'entrée suivante de l'utilisateur;afficher au moins deux des mots les plus susceptibles d'être ensuite entrés ; etrecevoir une entrée correspondant à une sélection de l'un des mots affichés.

La contribution

La contribution concerne la saisie de texte prédictive sur un dispositif doté d'un clavier virtuel, un réseau neuronal récurrent prédisant et classant les mots les plus susceptibles d'être saisis ensuite sur la base du texte saisi précédemment et permettant à un utilisateur du dispositif de sélectionner l'un des mots prédits pour saisie dans l'appareil.

La contribution est plus qu'un programme pour un ordinateur en tant que tel. La contribution est une solution à un problème technique concernant le fonctionnement même du dispositif lui-même, à savoir celui d'améliorer la rapidité et la précision de la saisie de texte à l'aide d'un clavier. L'invention le fait en prédisant des mots que l'utilisateur doit sélectionner pour une entrée de telle sorte que le texte est entré en utilisant moins d'appuis sur les touches. L'invention améliore le clavier virtuel, faisant du dispositif un dispositif plus efficace et efficace pour l'utilisateur. Il s'agit d'un apport technique. Les panneaux (iv) et (v) semblent s'appliquer.

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

Les réseaux de neurones peuvent être très vastes et complexes, avec un grand nombre de paramètres et impliquant de nombreux calculs. La gestion d'un grand nombre de paramètres et de calculs nécessite des quantités proportionnellement élevées de ressources mémoire et processeur. Il est souhaitable de réduire ces exigences tout en conservant le bénéfice d'un réseau neuronal formé.

L'invention y parvient en fournissant un réseau neuronal initial créé et formé à l'aide d'une approche conventionnelle en tant que modèle de base. Ce réseau neuronal formé est ensuite optimisé à l'aide d'un processus de rationalisation pour produire un réseau optimisé plus simple qui produit approximativement les mêmes sorties que le réseau neuronal initial dans un niveau de tolérance prédéterminé.

Le processus de rationalisation peut impliquer la suppression d'éléments sélectifs du traitement entrepris, par exemple en éliminant des nœuds du réseau. Des éléments peuvent être supprimés car ils sont redondants ou ont peu d'effet sur les résultats globaux du réseau.

Procédé mis en œuvre par ordinateur pour générer un réseau neuronal optimisé formé comprenant les étapes consistant à :a) traiter des données d'entrée à l'aide d'un réseau neuronal de base formé pour générer des premières données de sortie ;b) générer un réseau neuronal optimisé en rationalisant le réseau neuronal formé ;c ) traiter les données d'entrée à l'aide du réseau neuronal optimisé pour générer des secondes données de sortie ;d) comparer les premières et secondes données de sortie pour déterminer une différence ; ete) si la différence dépasse un seuil prédéterminé, générer un autre réseau neuronal optimisé par un processus de rationalisation ; etf) répéter les étapes c) à e) jusqu'à ce que la différence soit inférieure au seuil.

La contribution

La contribution est un procédé mis en œuvre par ordinateur pour générer un réseau neuronal optimisé en rationalisant un réseau neuronal de base formé, la sortie du réseau optimisé est comparée à celle du réseau de base et si la sortie diffère au-delà d'un seuil, d'autres réseaux optimisés sont générés de manière itérative jusqu'à ce qu'on en trouve un dont la sortie se situe dans une différence de seuil par rapport au réseau de base.

La contribution n'est rien de plus qu'un programme pour un ordinateur en tant que tel. La contribution est un processus itératif de production d'un réseau de neurones plus simple et optimisé à partir d'un réseau de neurones de base. Il s'agit simplement d'un processus itératif d'adaptation d'un programme informatique (le programme mettant en œuvre le réseau de base) pour produire un programme informatique optimisé (le programme mettant en œuvre le réseau de neurones optimisé). L'invention n'a résolu aucun problème technique avec l'ordinateur lui-même. Toute réduction de la charge de traitement ou de l'utilisation de la mémoire résulte uniquement de l'exécution d'un programme avec moins d'instructions. Il s'agit d'un contournement des problèmes de charge processeur et d'utilisation mémoire abordés par l'invention. Il n'y a pas d'effet technique au-delà de la simple exécution d'un programme amélioré ou optimisé (comme cela a été constaté dans Gale [1991] RPC 305). Il n'y a pas d'apport technique.

L'invention définie dans la revendication est exclue en vertu de l'article 1(2) en tant que programme d'ordinateur en tant que tel.

Il est généralement considéré comme souhaitable de réduire la quantité de traitement utilisée pour effectuer toute tâche de calcul. C'est notamment le cas des réseaux de neurones. Le traitement de réseaux particulièrement étendus peut nécessiter des ressources informatiques importantes.

L'inventeur a reconnu que dans de nombreuses applications, un réseau de neurones est utilisé pour traiter plusieurs données très similaires. Par exemple, lorsque les données d'entrée se présentent sous la forme d'une série temporelle, il peut y avoir très peu de changement dans les données apparaissant dans les fenêtres temporelles successives de la série temporelle. Des exemples peuvent comprendre des trames successives de données vidéo ou des informations sur le prix des actions échantillonnées à des intervalles horaires. Si la différence entre deux fenêtres temporelles successives est suffisamment petite, alors il est probable que classer les données dans chacune de ces fenêtres avec le même réseau de neurones donnera le même résultat. Dans de tels cas, la classification des données dans des fenêtres temporelles successives à l'aide du réseau neuronal entraîne un effort de traitement redondant ou inutile.

Le système selon l'invention crée un indicateur pour chaque fenêtre temporelle, par exemple en appliquant une fonction de hachage connue aux données contenues dans une fenêtre temporelle. Le système utilise l'indicateur pour vérifier les différences entre les fenêtres horaires. Si l'indicateur d'une fenêtre donnée est différent de celui d'une fenêtre précédente, alors les données de la fenêtre donnée sont soumises au réseau neuronal pour classification. Cependant, si l'indicateur pour la fenêtre donnée est le même alors la classification produite par le réseau de neurones pour la fenêtre précédente est simplement réutilisée.

Procédé mis en œuvre par ordinateur pour traiter un flux de données continues indexées dans le temps à l'aide d'un réseau neuronal, le procédé étant caractérisé en ce qu'il comporte les étapes consistant à :traiter une première partie de données d'entrée ayant une première valeur d'indice temporel pour générer un premier indicateur de données ;utiliser le réseau neuronal pour générer une première sortie à partir de la première partie de données d'entrée ;stocker le premier indicateur de données en association avec la première sortie ;traiter une deuxième partie de données d'entrée ayant une valeur d'index de temps ultérieure pour générer un deuxième indicateur de données ;comparer le deuxième indicateur de données avec le premier indicateur de données ; dans lequelsi le deuxième indicateur de données est différent du premier indicateur de données :utiliser le réseau neuronal pour générer une deuxième sortie ;stocker le deuxième indicateur de données en association avec la deuxième sortie ; etsi le deuxième indicateur de données est le même que le premier indicateur de données :récupérer la première sortie.

La contribution

La contribution est identifiée comme un procédé de traitement d'un flux de données, ayant des première et seconde parties de données, avec un réseau neuronal dans lequel : un premier résultat pour la première partie du flux de données est généré en le traitant avec le réseau neuronal, des indicateurs pour les première et seconde parties du flux de données sont générés, et si les indicateurs sont différents, alors un second résultat pour la seconde partie est généré en le traitant avec le réseau neuronal, tandis que si les indicateurs sont les mêmes, alors un second résultat pour le deuxième partie est générée en réutilisant le premier résultat pour la première partie.

La contribution relève entièrement du programme pour un ordinateur en tant qu'exclusion. Le procédé évite l'exécution inutile d'un réseau neuronal. Il suffit d'exécuter le réseau de neurones pour classer une fenêtre de données donnée si cette fenêtre de données diffère de sa fenêtre précédente. Bien que cela puisse réduire la surcharge de traitement, cet avantage n'est ressenti que lorsque l'ordinateur est concerné par l'exécution du programme de l'invention. Il ne s'agit pas d'une amélioration apportée à l'ordinateur, quelle que soit l'application ou les applications exécutées. Il ne peut être considéré comme résolvant un problème technique lié au fonctionnement interne de l'ordinateur lui-même. Bref, il n'y a pas d'effet technique au-delà de la simple exécution d'un meilleur programme. Il n'y a pas d'apport technique.

L'invention définie dans la revendication est exclue en vertu de l'article 1(2) en tant que programme d'ordinateur en tant que tel.

L'entraînement actif d'un réseau de neurones consiste à tester le réseau de neurones pour trouver ses zones de faiblesse. Des exemples de données de formation dans les zones de faiblesse sont ensuite utilisés pour former le réseau de neurones afin qu'il ait de meilleures performances globales.

Afin de fournir une base de référence pour tout exercice de formation, il est essentiel qu'un ensemble de données de spécimen soit utilisé. Il s'agit d'un ensemble de données connu et dont on peut dire qu'il a des résultats attendus fiables et cohérents.

L'inventeur s'est rendu compte que pour chaque élément des données d'échantillon traitées par l'IA, un niveau de confiance pour la précision peut être atteint. Par exemple, si les données de spécimen contiennent des images d'animaux, il se peut que le niveau de confiance pour l'identification des chiens soit plus élevé que pour les chats. En comparant le niveau de confiance à un seuil, l'utilisateur peut identifier les zones peu performantes. Une fois identifiées, d'autres données de formation relatives aux zones peu performantes peuvent être utilisées pour renforcer la précision de l'IA. L'ensemble de données de spécimen n'est augmenté que dans la mesure nécessaire pour traiter les zones peu performantes. Dans l'exemple donné, les données des spécimens seraient complétées par des images supplémentaires de chats. C'est plus efficace que de simplement étendre l'ensemble de données à tous ses éléments. Les nouvelles données de formation peuvent également être ajoutées à l'ensemble de formation existant pour fournir un produit complet permettant à un utilisateur final de former leur mise en œuvre.

Procédé d'apprentissage d'un réseau neuronal mis en œuvre par ordinateur, le procédé comprenant :l'apprentissage initial du réseau neuronal avec un ensemble candidat de données d'apprentissage ;l'exécution du réseau neuronal initialement formé par rapport à un ensemble de données d'entrée échantillon ;pour chaque élément de l'ensemble de données échantillon, la détermination un niveau de confiance dans l'exactitude de l'interprétation de l'élément de données spécimen par le réseau neuronal initialement formé ;et si le niveau de confiance pour un élément donné est inférieur à un seuil de précision prédéterminé, alors l'augmentation des données d'apprentissage avec des données liées à l'élément donné de l'ensemble de données de spécimen et recycler le réseau à l'aide des données d'apprentissage augmentées.

La contribution

La contribution est une méthode de formation d'un réseau neuronal consistant à déterminer par un réseau neuronal initialement formé un niveau de confiance dans l'exactitude de l'interprétation pour chaque élément d'un ensemble de données spécimen, et si le niveau de confiance pour un élément donné est inférieur à un seuil, alors augmenter les données d'apprentissage avec des données liées à l'élément donné et recycler le réseau à l'aide des données d'apprentissage augmentées.

L'invention résout le problème d'identification des données d'apprentissage supplémentaires spécifiques nécessaires pour améliorer la précision d'un réseau neuronal. Cela peut aboutir à une méthode de formation plus efficace, mais cela ne produit pas un réseau de neurones qui lui-même fonctionne de manière plus efficace ou efficiente . Aucun problème technique n'a été résolu au sein du réseau de neurones. L'identification des données d'entraînement supplémentaires spécifiques, bien qu'effectuée par un programme informatique exécutant un réseau de neurones, n'est pas un problème technique. La solution de ce problème ne produit donc pas d'effet technique.

L'invention revendiquée est exclue en tant que programme pour ordinateur en tant que tel.

De nombreux appareils informatiques modernes, tels que les téléphones intelligents, comprennent des ressources informatiques hétérogènes telles qu'un processeur hôte CPU, un processeur graphique (GPU) et un accélérateur de réseau neuronal (NNA). Chacune de ces ressources informatiques hétérogènes a une capacité différente pour effectuer les traitements nécessaires à la réalisation de la fonction d'un réseau de neurones. Cela signifie qu'il peut être nécessaire de subdiviser les tâches de traitement d'une couche d'un réseau de neurones en portions et d'affecter les portions aux ressources informatiques hétérogènes selon leur capacité respective, pour optimiser les performances du réseau de neurones sur le dispositif.

Il est souhaitable que toutes les ressources informatiques finissent de traiter leurs portions de la couche en même temps (ou rendez-vous) car cela permet un fonctionnement efficace de chacune des ressources informatiques, par exemple en évitant les retards ou les blocages et en réduisant le temps d'inactivité de l'ordinateur. ressources.

Pour obtenir ce résultat souhaité, l'inventeur s'est rendu compte que des ressources informatiques respectives peuvent être amenées à terminer le traitement respectif de leurs parties presque au même moment en modifiant leurs fréquences d'horloge.

Procédé d'exploitation d'un réseau neuronal sur un système de traitement comprenant une pluralité de processeurs, chaque processeur ayant une capacité de calcul de réseau neuronal différente, le procédé comprenant :la détermination d'une distribution du traitement d'une couche du réseau neuronal de sorte que chacun de la pluralité de processeurs se voit attribuer une partie du traitement de la couche en fonction de leur capacité de calcul de réseau neuronal respective ; déterminer le temps que chaque processeur prendra pour effectuer sa partie du traitement de la couche ; déterminer si une fréquence d'horloge de l'un des processeurs doit être modifiée pour modifier le temps que prendra le processeur pour achever sa portion;distribuer les portions aux processeurs respectifs; eten réponse à la détermination qu'une fréquence d'horloge pour un processeur doit être modifiée, modifier la fréquence d'horloge pour ce processeur lorsqu'il traite sa partie respective.

La contribution

La contribution est un procédé d'exploitation d'un réseau neuronal utilisant des ressources informatiques hétérogènes où la charge de traitement pour une couche du réseau neuronal est partagée entre les ressources de traitement, et une fréquence d'horloge d'au moins une ressource de traitement est ajustée pour modifier l'heure à que sa partie de traitement se termine.

La contribution est plus qu'un programme pour un ordinateur en tant que tel et est de nature technique. En effet, il comprend un processus de fonctionnement d'un ordinateur d'une nouvelle manière dans un sens technique pertinent, par exemple en contrôlant la fréquence d'horloge d'un processeur afin que chaque processeur hétérogène termine l'exécution de sa partie d'une couche de réseau neuronal en même temps . Le poteau indicateur (iii) indique la brevetabilité.

L'invention définie dans la revendication n'est pas exclue en vertu de l'article 1(2).

Les modèles d'apprentissage automatique, tels que les réseaux de neurones, peuvent nécessiter que des calculs complexes soient effectués par une unité de traitement (telle qu'un accélérateur matériel).

Par exemple, un réseau neuronal peut comprendre une ou plusieurs couches de réseau neuronal convolutionnel pour effectuer des calculs de convolution à l'aide de données d'entrée. Le traitement de ces couches implique typiquement de nombreuses multiplications matricielles impliquant de très grandes matrices de données d'entrée. Ces types de calculs sont coûteux en termes de calcul à effectuer à l'aide d'unités de traitement existantes.

De plus, la nature de certains algorithmes d'apprentissage automatique signifie qu'une grande partie des données d'entrée pour une couche donnée d'un réseau de neurones ont des valeurs nulles. Cela signifie que les unités de traitement existantes effectuent un grand nombre de calculs inutiles qui incluent la multiplication d'un nombre (par exemple une valeur de noyau de convolution) par une valeur nulle.

L'inventeur a conçu une unité de traitement qui peut ignorer ou contourner un calcul en voyant des valeurs d'entrée nulles, ayant l'avantage de rendre l'unité de traitement plus efficace en termes de calcul par rapport aux unités de traitement connues.

Un ensemble de valeurs de données à traiter par une couche de réseau de neurones donnée est reçu et stocké dans une mémoire de l'unité de traitement. L'unité de traitement a une unité de commande qui vérifie les données d'entrée pour les valeurs nulles et non nulles. L'unité de commande génère un index d'adresse qui identifie uniquement les adresses de mémoire de la mémoire stockant des valeurs de données d'entrée non nulles.

L'unité de commande utilise l'index d'adresse pour sélectionner des adresses de mémoire qui stockent des valeurs de données d'entrée non nulles et fournit les valeurs de données d'entrée non nulles sur un bus de données afin qu'elles puissent être traitées par un réseau d'éléments de traitement.

Procédé mis en œuvre par ordinateur pour effectuer des calculs pour un réseau neuronal ayant une pluralité de couches, le procédé exécuté par une unité de traitement ayant une mémoire, un bus de données, une unité de commande et un réseau d'éléments de traitement, le procédé comprenant la réception, par le unité de traitement, une pluralité de valeurs de données d'entrée à traiter par une couche de la pluralité de couches ;déterminer, par l'unité de commande, si chacune des valeurs de données d'entrée a une valeur nulle ou non nulle ;stocker la pluralité de des valeurs de données d'entrée dans la mémoire;la génération, par l'unité de commande, d'un indice d'adresse identifiant uniquement des emplacements d'adresse mémoire dans la mémoire qui stockent des valeurs de données d'entrée non nulles; etfournir, par l'unité de commande, sur la base des emplacements d'adresse mémoire identifiés par l'indice d'adresse, les valeurs de données d'entrée non nulles de la mémoire sur le bus de données au réseau d'éléments de traitement.

La contribution

La contribution concerne l'exécution de calculs d'apprentissage automatique dans une unité de traitement qui comporte une unité de commande qui détermine si des valeurs de données d'entrée reçues à traiter par une couche de réseau neuronal ont des valeurs nulles ou non nulles, génère un indice d'adresse identifiant des adresses mémoire auxquelles des valeurs non -les valeurs de données d'entrée nulles sont stockées, et qui utilise l'index d'adresse pour fournir des valeurs de données d'entrée non nulles à un tableau d'éléments de traitement.

Bien que la contribution soit limitée aux performances des calculs d'apprentissage automatique requis par une couche donnée d'un réseau de neurones, la contribution implique la génération d'un index d'adresse qui est effectivement utilisé pour contrôler le tableau d'éléments de traitement de sorte qu'ils ne traitent que des entrées non nulles. valeurs de données stockées dans la mémoire. Il s'agit d'un exemple d'utilisation d'un ordinateur d'une nouvelle manière dans un sens technique selon le poteau indicateur (iii). La contribution est une solution technique au problème d'amélioration de l'efficacité de calcul des unités de traitement existantes selon le poteau indicateur (v). L'invention est plus qu'un programme pour un ordinateur en tant que tel.

L'invention n'est pas exclue en vertu de l'article 1(2).

Il est bien connu d'utiliser l'informatique distribuée pour les tâches d'apprentissage automatique. Par exemple, lors de l'apprentissage itératif d'un réseau neuronal, un ensemble de données d'apprentissage peut être subdivisé et partagé entre les nœuds de traitement d'un système informatique distribué. Chaque nœud peut ensuite traiter ses données d'apprentissage pour produire un résultat d'apprentissage partiel respectif, par exemple la quantité par laquelle un ou plusieurs poids dans un réseau neuronal doivent être ajustés. Ces résultats partiels sont ensuite réduits (c'est-à-dire traités avec une fonction de calcul) pour produire un résultat complet qui est rediffusé aux nœuds pour mettre à jour le modèle d'apprentissage automatique sur chaque nœud avant que l'étape suivante d'apprentissage ne se produise.

Plusieurs topologies existantes (par exemple, anneau, tore) et méthodes d'échange de données (par exemple, méthodes all-reduce et all-gather) ont été conçues pour optimiser l'efficacité des systèmes informatiques distribués lors du traitement de charges de travail telles que celles trouvées dans l'apprentissage automatique. L'inventeur a mis au point une nouvelle topologie et méthode d'échange permettant de traiter des tâches d'apprentissage automatique avec une efficacité améliorée.

La topologie est illustrée dans la figure ci-dessus. Les nœuds de traitement (par exemple P0A-P3B) sont organisés en groupes. Chaque nœud d'un groupe est connecté à chaque autre nœud du groupe par une première et une seconde liaison de communication. Les groupes sont interconnectés en anneaux de sorte que chaque nœud est membre d'un seul groupe et d'un seul anneau.

La méthode d'échange de données utilisée par la topologie fonctionne de manière itérative. Chaque nœud d'un groupe échange deux éléments de données d'un tableau d'éléments de données avec le ou les autres nœuds de leur groupe, via les premier et second liens respectifs. Ensuite, chaque nœud de traitement réduit chaque élément de données reçu avec un élément de données trouvé dans une position correspondante dans son tableau de données stocké par un processus de partage et de combinaison séquentiels des éléments de données.

Procédé de fonctionnement d'un ordinateur comprenant des nœuds de processeur agencés en groupes et en anneaux, de sorte que tous les nœuds d'un groupe unique sont connectés les uns aux autres nœuds du groupe par une première et une seconde liaison, les groupes étant interconnectés en anneaux de sorte que chaque nœud est dans un seul groupe et un seul anneau, le procédé comprenant:l'exploitation d'un collectif d'apprentissage automatique où chaque nœud de processeur traite des données d'entrée pour générer un tableau d'éléments de données de sortie;l'échange d'éléments de données à l'aide des étapes d'échange du collectif d'apprentissage automatique ; etdans lequel, à chaque étape d'échange, les nœuds de traitement de tous les groupes échangent, via les première et deuxième liaisons respectives, deux éléments de données avec les autres nœuds de son groupe, et dans lequel tous les nœuds de traitement réduisent chaque élément de données reçu avec l'élément de données dans la position correspondante dans le tableau sur ce nœud de traitement.

La contribution

La contribution est une méthode d'apprentissage automatique utilisant une nouvelle méthode de topologie et d'échange de données qui optimise les performances de la tâche d'apprentissage automatique sur un système informatique distribué grâce à l'interconnexion des nœuds et au mode d'échange de données.

La contribution n'est pas uniquement un programme en tant que tel car, en plus d'être une méthode d'apprentissage automatique, il s'agit d'une nouvelle topologie informatique et d'une nouvelle méthode d'échange de données. Il s'agit d'un exemple d'un nouvel agencement de matériel qui exploite un système informatique d'une manière nouvelle, dans un sens technique pertinent. Une contribution technique est révélée suivant le panneau (iii). La contribution est une solution technique au problème abordé par l'invention, à savoir comment agencer un système informatique distribué pour effectuer efficacement des tâches d'apprentissage automatique collectif bien qu'incarné sous la forme d'un programme. Le poteau indicateur (v) pointe également vers la brevetabilité.

L'invention n'est pas exclue en vertu de l'article 1(2).