Probabl, l’opérateur officiel de la bibliothèque open source incontournable pour le ML, scikit-learn, annonce un tour de table de 5,5 millions d’euros, marqué par l’arrivée de nouveaux investisseurs. Cette levée de fonds intermédiaire, composée de bons de souscription convertibles, vise à préparer une future levée de fonds en actions afin de soutenir la croissance de l’entreprise tout en respectant sa mission phare : permettre à chacun de maîtriser sa science des données grâce à des outils fiables et innovants.

Créée en septembre 2023, Probabl, spin-off de l’Inria créée autour de scikit-learn, vise à  développer des outils open source pour la science des données, l’IA et le ML, et d’étendre l’infrastructure logicielle de scikit-learn. L’objectif est d’assurer que scikit-learn continue d’évoluer et de répondre aux besoins des utilisateurs dans le monde entier, en restant un pilier de la data science open source.

Un modèle d’actionnariat équilibré

Probabl a mis en place un modèle d’actionnariat reflétant son engagement en faveur de la souveraineté industrielle et numérique. L’entreprise a structuré ses parts autour de trois collèges distincts :

• Un collège public, représentant l’État français via le dispositif French Tech Souveraineté, un programme stratégique de soutien à l’innovation numérique lancé en juin 2020 dans le cadre du plan France 2030 ;
• Un collège privé, incluant des investisseurs de renom tels que Costanoa Ventures, un fonds spécialisé dans les solutions open source et l’innovation technologique;
• Un collège de contributeurs individuels, comprenant des membres clés de la communauté scikit-learn, notamment des développeurs et des experts en data science.

Des investisseurs stratégiques rejoignent l’aventure

La levée de fonds, qui inclut une participation du dispositif French Tech Souveraineté, a vu l’arrivée de nouveaux investisseurs et partenaires clé, parmi lesquels Apertu Capital et Mozilla Ventures dont le soutien s’aligne avec les valeurs de Probabl, en accord avec les principes du Manifeste de Mozilla.

Parmi les nouveaux investisseurs se trouvent également des figures respectées de la communauté scikit-learn : des contributeurs « core-dev », des data scientists, des ingénieurs de recherche renommés, ainsi que des technologues de premier plan.

Devant ce message fort de la communauté, Yann Lechelle, PDG de Probabl, souligne :

“La communauté Python est extrêmement soudée et reconnaissante envers scikit-learn, qui a redéfini les standards de la science des données. En élargissant notre cercle d’actionnaires, nous nous assurons d’être en phase avec l’écosystème pour poursuivre notre mission avec force. Nous sommes très touchés par l’enthousiasme qui a dépassé nos attentes”.

Plusieurs business angels, ainsi qu’un champion olympique, ont également participé à ce tour de table, soulignant l’attractivité de l’entreprise au-delà de la sphère technologique.

Renforcement des capacités avec l’acqui-hiring de Mnemotix

Grâce à ce financement, Probabl a pu sécuriser l’acqui-hiring (une stratégie d’acquisition d’entreprises où l’objectif principal n’est pas d’acheter les produits ou les services de l’entreprise cible, mais plutôt de recruter ses talents et son expertise) de Mnemotix, une société spécialisée dans la gestion des données complexes. Cette opération lui permet d’intégrer les talents de Mnemotix pour renforcer les compétences de Probabl en matière de ML et de traitement de données non structurées.

Nicolas Delaforge, cofondateur de Probabl et Mnemotix, déclare :

“Nous sommes ravis d’annoncer que toute l’équipe de Mnemotix rejoint Probabl. Ce faisant, nous croyons que nous aurons un impact plus fort, en atteignant un public plus large et en gagnant de nouvelles capacités de résolution de problèmes, en restant fidèles aux valeurs qui nous ont guidés depuis le début. Cela marque la prochaine étape du parcours que nous avons entamé il y a 12 ans”.

Lancement de la certification scikit-learn et nouveaux produits

Pour soutenir la communauté scikit-learn, Probabl prévoit de lancer son premier programme officiel de certification scikit-learn au quatrième trimestre 2024. Cette certification, développée par des membres clés de l’équipe scikit-learn, vise à promouvoir l’excellence en science des données et à offrir une reconnaissance des compétences dans ce domaine.

En parallèle, Probabl travaille sur un nouveau produit MVP (Produit Minimum Viable), qui verra le jour à la fin de l’année. Ce produit compagnon est conçu pour accompagner les data scientists dans la phase pré-MLOps, facilitant ainsi la préparation des données avant l’intégration des modèles de ML. Les entreprises intéressées peuvent dès maintenant rejoindre le programme de bêta-test pour explorer cette nouvelle solution.

Ça y est, les amis, l’API WebNN débarque enfin en preview pour les développeurs, et croyez-moi, ça va changer totalement la manière dont on fait tourner de l’IA dans nos navigateurs web !Grâce à cette techno, on va pouvoir profiter de la puissance de nos GPU et autres accélérateurs matériels directement depuis nos pages web, sans avoir à installer le moindre plugin ou logiciel supplémentaire.

Concrètement, WebNN est une API JavaScript qui va permettre aux applications web d’exécuter des tâches d’inférence de réseaux neuronaux de manière super efficace, en exploitant à fond les capacités des CPU, GPU et autres processeurs dédiés à l’IA (les fameux NPU et TPU). Fini les calculs qui rament, bonjour la fluidité et la réactivité, même pour les modèles les plus gourmands !

WebNN est complètement agnostique côté matériel et côté modèles. Quel que soit le hardware qu’on a sous le capot (Intel, AMD, NVIDIA, Qualcomm…) et le format des modèles (ONNX, TensorFlow…), cette API va nous permettre de tirer parti un maximum des ressources disponibles, tout ça de manière transparente, sans avoir à se prendre la tête avec des lignes de code spécifiques à chaque plateforme.

Cette API suit un modèle de programmation super simple en deux grandes étapes :

• 1. La construction du modèle : on utilise l’API MLGraphBuilder pour définir notre réseau de neurones, ses opérations, ses entrées et ses sorties et une fois que c’est fait, on peut le compiler en un graphe exécutable.
• 2. L’exécution du modèle : maintenant qu’on a notre super graphe optimisé, il ne reste plus qu’à lui envoyer nos données d’entrée, et il va nous fournir ses prédictions et classifications à toute vitesse !

Grâce à WebNN, les tâches d’inférence de machine learning sont accélérées par le matériel local, ce qui offre des performances améliorées et une faible latence, même sans connexion internet ou avec une connexion non fiable. De plus, les données restent sur la machine de l’utilisateur, ce qui préserve ainsi sa vie privée.

WebNN est conçu pour fonctionner avec DirectML sur Windows, lequel assure des performances optimales sur divers matériels, notamment les RTX GPUs de NVIDIA, les Intel Core Ultra avec Intel AI Boost, et les Copilot+ PC avec des NPU Qualcomm Hexagon. Ça ouvre la porte à des applications évoluées de génération d’IA, de reconnaissance d’images, de traitement du langage naturel, et bien d’autres cas d’utilisation tout à fait passionnants.

Si vous voulez vous lancer dès maintenant avec WebNN, je vous conseille fortement de visiter le dépôt WebNN Developer Preview sur GitHub. Vous y trouverez plein de démos et d’exemples de code pour vous familiariser avec l’API et ses fonctionnalités. Par contre, vous devrez télécharger Edge en version Canary et la dernière Insider de Windows 11 puis dans la barre d’URL, tapez edge://flags/ pour pouvoir ensuite activer WebNN.

Pour plus de détails, vous pouvez consulter le tutoriel officiel de Microsoft.

Un grand merci au super neurone NexusSeven pour les sources de cet article !

Source

Le programme Break Through Tech AI vise à offrir aux étudiants de premier cycle, en particulier aux femmes noires, latino-américaines, autochtones, à faible revenu ainsi qu’aux personnes transgenres ou non binaires, sous-représentées dans l’informatique, une formation spécialisée en IA, ML et data science axée sur l’industrie.

Ce programme est organisé par le MIT Schwarzman College of Computing en collaboration avec Break Through Tech, une initiative nationale lancée par Cornell Tech en 2016 pour augmenter le nombre de femmes et de groupes sous-représentés obtenant un diplôme en informatique.

Il est proposé à :

• Boston, au MIT Schwarzman College of Computing (pour les étudiants de la grande région du Massachusetts) ;
• Los Angeles, à l’École d’ingénierie Samueli de l’UCLA (pour les étudiants du sud de la Californie) ;
• En virtuel, pour les étudiants situés en dehors de ces zones métropolitaines.

D’une durée de 18 mois, ce programme inclusif est totalement gratuit, une allocation sera d’ailleurs versée à chaque étudiant afin de lui permettre de participer aux activités éducatives extrascolaires.

Une formation complète et axée sur l’industrie

Le programme commence par un programme d’été intensif en ingénierie ML, développé par des leaders de l’industrie et du monde universitaire. Les étudiants y acquièrent des compétences essentielles et pratiques, telles que :

• La création de pipelines d’analyse de données ;
• L’entraînement et la validation de modèles ML ;
• L’utilisation des bibliothèques ML/AI courantes.

A chaque étape du processus, les étudiants bénéficient du soutien du corps professoral et des étudiants diplômés qui répondront à leurs questions et les aideront à se préparer aux projets AI Studio pendant l’année universitaire.

AI Studio : des projets réels et collaboratifs

Après le programme d’été, les étudiants rejoignent l’AI Studio, où ils travaillent en équipes pour résoudre des défis industriels concrets. Ces projets, fournis par des entreprises de premier plan, permettent aux étudiants de développer un portefeuille de projets d’IA, démontrant leurs capacités et leur préparation à entrer sur le marché du travail. Parmi les partenaires d’AI Studio figurent Google, JP Morgan Chase, American Express, Pfizer, ASAPP, et bien d’autres.

Un soutien professionnel personnalisé

Les participants bénéficient de divers types de soutien durant ces 18 mois. Un programme structuré de mentorat de neuf mois permettra notamment aux étudiants de collaborer avec des professionnels du secteur. Au travers d’études de cas réels, des simulations axées sur le développement de compétences et des retours personnalisés, les mentors les aideront à s’assurer qu’ils sont sur la bonne voie pour décrocher un stage d’été et un emploi à temps plein.