Microsoft a livré en open source son framework multiplateforme Infer.net pour l'apprentissage machine basé sur des modèles. Infer.net sera intégré au framework d'apprentissage machine ML.Net utilisé par les développeurs .Net, Infer.Net permet d’étendre les capacités de ML.Net à la modélisation statistique et à l'apprentissage en ligne. Plusieurs étapes vers l'intégration ont déjà été franchies, dont la mise en place d'un référentiel sous l'égide de la Fondation .Net. Trois cas d’usage possibles d'Infer.net ont été précisés : servir à un utilisateur connaissant bien un domaine spécifique et voulant résoudre un problème dans ce domaine, interpréter le comportement d’un système ou encore répondre à un système de production ayant besoin d’apprendre au fur et à mesure de l’arrivée de nouvelles données.

Publié en 2004, Infer.net est passé du statut d'outil de recherche à celui de moteur d'apprentissage machine dans certains produits Microsoft Office, Azure et Xbox. Avec Infer.net, les développeurs peuvent incorporer la connaissance du domaine dans un modèle. Le framework peut alors construire un algorithme d'apprentissage machine personnalisé directement dans ce modèle. Cela signifie qu’au lieu d'avoir à mapper un problème sur un algorithme d'apprentissage existant, Infer.net construit un algorithme d'apprentissage basé sur le modèle fourni par le développeur.

L'inférence bayésienne en ligne supportée

Dans Infer.net, les modèles sont décrits par un programme probabiliste et les processus du monde réel sont décrits dans un langage compris par les machines. Ce programme est compilé par le framework dans un code à haute performance pour mettre en œuvre de l'inférence bayésienne approximative et déterministe, une approche qui permet une mise à l’échelle substantielle. Microsoft a déjà utilisé cette méthodologie dans un système qui extrait automatiquement les connaissances de milliards de pages Web. De plus, Microsoft supporte l'inférence bayésienne en ligne, où un système apprend à mesure que lui parviennent de nouvelles données. Le fournisseur considère cette technique comme cruciale pour les produits professionnels et grand public qui interagissent en temps réel avec les utilisateurs.

L'apprentissage machine basé sur des modèles est un avantage en matière d'interopérabilité. En outre, l'apprentissage fondé sur des modèles s'applique aux problèmes liés à des données types, par exemple les données en temps réel, les données hétérogènes, les données non labellisées et les données avec des parties manquantes, et les données collectées avec des biais connus. Infer.net est téléchargeable à l’aide du gestionnaire de paquets open source NuGet.