R2D2 se compose principalement de trois briques logicielles majeures :

• La première brique offre aux utilisateurs finaux des versions distribuées d’un ensemble d’architecture et de modèles deep learning classiques. Ce passage à l’échelle permet de diminuer considérablement le temps d’entraînement des nouvelles architectures deep learning et contribue, ainsi, à accélérer et faciliter leur optimisation.
• La deuxième brique met à disposition des utilisateurs finaux un système de recommandation pour la configuration idéale des ressources informatiques nécessaires à l’entraînement d’un modèle deep learning et visant à converger, automatiquement, vers un compromis entre l’accélération de la phase d’entraînement et le coût de la parallélisation en termes de ressources informatiques.
• La troisième brique consiste à développer des architectures deep learning optimisées et dédiées à la détection automatique de lésions cérébrales.

Applications

R2D2 assiste les professionnels de la santé dans l’analyse de l’imagerie médicale, afin de repérer automatiquement les anomalies avec davantage de précision, fiabilité et rapidité. R2R2 permet également à la communauté scientifique de tirer profit de la montée en puissance, récente et spectaculaire, du deep learning dans plusieurs disciplines et champs applicatifs.

R2D2 offre principalement des versions distribuées d’un ensemble d’architectures et de modèles deep learning pour la détection des lésions. L’aspect distribué innovant de R2D2 accélère le prototypage et l’exploration de nouvelles architectures deep learning mettant ainsi l’intelligence artificielle au service de la santé comme outil d’aide à la décision en imagerie médicale et de la recherche scientifique. La seconde fonctionnalité majeure de R2D2 consiste à proposer un recommandeur pour la configuration idéale des ressources informatiques nécessaires à l’entraînement d’un modèle deep learning, limitant ainsi le gaspillage de ressources informatiques.