Apprendre aux machines à nous comprendre

La première fois que Yann LeCun a révolutionné l'intelligence artificielle, c'était une fausse aube. C'était en 1995, et pendant près d'une décennie, le jeune Français s'était consacré à ce que de nombreux informaticiens considéraient comme une mauvaise idée : imiter grossièrement certaines caractéristiques du cerveau était le meilleur moyen de créer des machines intelligentes. Mais LeCun avait montré que cette approche pouvait produire quelque chose d'étonnamment intelligent et utile. Travaillant chez Bell Labs, il a créé un logiciel qui simulait grossièrement les neurones et a appris à lire un texte manuscrit en examinant de nombreux exemples différents. La société mère de Bell Labs, AT&T, l'a utilisé pour vendre les premières machines capables de lire l'écriture manuscrite sur les chèques et les formulaires écrits. Pour LeCun et quelques autres partisans des réseaux de neurones artificiels, cela semblait marquer le début d'une ère dans laquelle les machines pourraient apprendre de nombreuses autres compétences auparavant limitées aux humains. Ce n'était pas le cas.

Tout ce projet a en quelque sorte disparu le jour de son plus grand succès, dit LeCun. Le jour même où il célébrait le lancement de guichets automatiques capables de lire des milliers de chèques à l'heure, AT&T a annoncé qu'il était scission en trois sociétés dédiée aux différents marchés des communications et de l'informatique. LeCun est devenu chef de la recherche dans un AT&T plus mince et a été chargé de travailler sur d'autres choses; en 2002, il quittera AT&T, pour devenir bientôt professeur à l'Université de New York. Pendant ce temps, des chercheurs ailleurs ont découvert qu'ils ne pouvaient pas appliquer la percée de LeCun à d'autres problèmes informatiques. L'approche de l'IA inspirée par le cerveau est redevenue un intérêt marginal.

Cette histoire faisait partie de notre numéro de septembre 2015

• Voir la suite du problème
• S'abonner

LeCun, maintenant un homme trapu de 55 ans avec un sourire prêt et une mèche latérale de cheveux noirs touchés de gris, n'a jamais cessé de poursuivre cet intérêt marginal. Et remarquablement, le reste du monde s'est ressaisi. Les idées que lui et quelques autres ont nourries face à plus de deux décennies d'apathie et parfois de rejet pur et simple ont produit ces dernières années des résultats saisissants dans des domaines tels que la reconnaissance faciale et vocale. L'apprentissage en profondeur, comme le domaine est maintenant connu, est devenu un nouveau champ de bataille entre Google et d'autres entreprises technologiques de premier plan qui se précipitent pour l'utiliser dans les services aux consommateurs. L'une de ces entreprises est Facebook, qui a embauché LeCun de NYU en décembre 2013 et l'a chargé d'un nouveau groupe de recherche sur l'intelligence artificielle, FAIR, qui compte aujourd'hui 50 chercheurs mais passera à 100. Le laboratoire de LeCun est le premier investissement important de Facebook dans les recherche, et cela pourrait être crucial pour les tentatives de l'entreprise de devenir plus qu'un simple lieu social virtuel. Cela pourrait également remodeler nos attentes quant à ce que les machines peuvent faire.

Facebook et d'autres entreprises, dont Google, IBM et Microsoft, ont agi rapidement pour se lancer dans ce domaine au cours des dernières années, car l'apprentissage en profondeur est bien meilleur que les techniques d'IA précédentes pour amener les ordinateurs à acquérir des compétences qui défient les machines, comme la compréhension des photos. . Ces techniques plus établies nécessitent des experts humains pour programmer laborieusement certaines capacités, telles que la détection des lignes et des coins dans les images. Les logiciels d'apprentissage en profondeur découvrent comment donner un sens aux données par eux-mêmes, sans aucune programmation de ce type. Certains systèmes peuvent maintenant reconnaître les images ou visages à peu près aussi précisément que les humains.

Maintenant, LeCun vise quelque chose de beaucoup plus puissant. Il souhaite fournir des logiciels dotés des compétences linguistiques et du bon sens nécessaires à une conversation de base. Au lieu de devoir communiquer avec les machines en cliquant sur des boutons ou en entrant des termes de recherche soigneusement choisis, nous pourrions simplement leur dire ce que nous voulons comme si nous parlions à une autre personne. Notre relation avec le monde numérique va complètement changer grâce aux agents intelligents avec lesquels vous pourrez interagir, prédit-il. Il pense que l'apprentissage en profondeur peut produire un logiciel qui comprend nos phrases et peut répondre avec des réponses appropriées, des questions clarifiantes ou des suggestions qui lui sont propres.

Les agents qui répondent à des questions factuelles ou réservent des restaurants pour nous sont une application évidente, sinon tout à fait révolutionnaire. Il est également facile de voir comment un tel logiciel pourrait conduire à des personnages de jeux vidéo plus stimulants ou améliorer l'apprentissage en ligne. Plus provocateur, LeCun dit que les systèmes qui appréhendent le langage ordinaire pourraient nous connaître suffisamment bien pour comprendre ce qui est bon pour nous. Des systèmes comme celui-ci devraient être capables de comprendre non seulement ce qui divertirait les gens, mais aussi ce qu'ils ont besoin de voir, qu'ils l'apprécient ou non, dit-il. De tels exploits ne sont pas possibles en utilisant les techniques derrière les moteurs de recherche, les filtres anti-spam et les assistants virtuels qui essaient de nous comprendre aujourd'hui. Ils ignorent souvent l'ordre des mots et se débrouillent avec des astuces statistiques comme la correspondance et le comptage des mots-clés. Siri d'Apple, par exemple, essaie d'intégrer ce que vous dites dans un petit nombre de catégories qui déclenchent des réponses scénarisées. Ils ne comprennent pas vraiment le texte, dit LeCun. C'est incroyable que cela fonctionne du tout. Pendant ce temps, les systèmes qui semblent avoir maîtrisé des tâches linguistiques complexes, comme IBM Péril! gagnant Watson, faites-le en étant super-spécialisé à un format particulier. C'est mignon comme démonstration, mais ce n'est pas un travail qui se traduirait vraiment dans n'importe quelle autre situation, dit-il.

En revanche, les logiciels d'apprentissage en profondeur peuvent être capables de donner un sens au langage plus comme le font les humains. Des chercheurs de Facebook, Google et d'ailleurs développent des logiciels qui ont montré des progrès dans la compréhension de la signification des mots. L'équipe de LeCun dispose d'un système capable de lire des histoires simples et de répondre à des questions à leur sujet, en s'appuyant sur des facultés telles que la déduction logique et une compréhension rudimentaire du temps.

Cependant, comme LeCun le sait de première main, l'intelligence artificielle est connue pour ses moments de progrès qui alimentent les prédictions de grands pas en avant mais qui changent finalement très peu. Créer un logiciel capable de gérer les complexités éblouissantes du langage est un plus grand défi que de l'entraîner à reconnaître des objets dans des images. L'utilité de l'apprentissage en profondeur pour la reconnaissance vocale et la détection d'images ne fait aucun doute, mais ce n'est encore qu'une supposition qu'il maîtrisera le langage et transformera nos vies plus radicalement. Nous ne savons pas encore avec certitude si l'apprentissage en profondeur est un coup dur qui se révélera être quelque chose de beaucoup plus grand.

Histoire profonde

Les racines de l'apprentissage en profondeur remontent plus loin que le temps de LeCun aux Bell Labs. Lui et quelques autres pionniers de la technique ressuscitaient en fait une idée morte depuis longtemps dans l'intelligence artificielle.

Lorsque le domaine a commencé, dans les années 1950, les biologistes commençaient à peine à développer des théories mathématiques simples sur la façon dont l'intelligence et l'apprentissage émergent des signaux passant entre les neurones du cerveau. L'idée centrale, toujours d'actualité aujourd'hui, était que les liens entre les neurones sont renforcés si ces cellules communiquent fréquemment. La fusillade de l'activité neuronale déclenchée par une nouvelle expérience ajuste les connexions du cerveau afin qu'il puisse mieux la comprendre la deuxième fois.

En 1956, le psychologue Frank Rosenblatt a utilisé ces théories pour inventer un moyen de faire des simulations simples de neurones dans des logiciels et du matériel. le New York Times a annoncé son travail avec le titre Le « cerveau » électronique s'apprend tout seul . Le perceptron de Rosenblatt, comme il appelait sa conception, pouvait apprendre à trier des images simples en catégories, par exemple, des triangles et des carrés. Rosenblatt a généralement mis en œuvre ses idées sur machines géantes épais enchevêtrés de fils, mais ils ont établi les principes de base à l'œuvre dans les réseaux de neurones artificiels aujourd'hui.

L'apprentissage en profondeur est efficace pour prendre des dictées et reconnaître des images. Mais peut-il maîtriser le langage humain ?

Un ordinateur qu'il a construit avait huit neurones simulés, fabriqués à partir de moteurs et de cadrans connectés à 400 détecteurs de lumière. Chacun des neurones a reçu une part des signaux des détecteurs de lumière, les a combinés et, selon leur addition, a recraché soit un un ou un 0 . Ensemble, ces chiffres équivalaient à la description par le perceptron de ce qu'il voyait. Au départ, les résultats étaient nuls. Mais Rosenblatt a utilisé une méthode appelée apprentissage supervisé pour former un perceptron afin de générer des résultats qui distinguaient correctement différentes formes. Il montrerait au perceptron une image avec la bonne réponse. Ensuite, la machine ajusterait l'attention que chaque neurone accordait à ses signaux entrants, déplaçant ces poids vers des paramètres qui produiraient la bonne réponse. Après de nombreux exemples, ces ajustements ont doté l'ordinateur de suffisamment d'intelligence pour catégoriser correctement les images qu'il n'avait jamais vues auparavant. Les réseaux d'apprentissage en profondeur d'aujourd'hui utilisent des algorithmes sophistiqués et ont des millions de neurones simulés, avec des milliards de connexions entre eux. Mais ils sont formés de la même manière.

Rosenblatt a prédit que les perceptrons seraient bientôt capables d'exploits comme saluer les gens par leur nom, et son idée est devenue un élément central du domaine naissant de l'intelligence artificielle. Les travaux se sont concentrés sur la fabrication de perceptrons avec des réseaux plus complexes, organisés en une hiérarchie de plusieurs couches d'apprentissage. Faire passer des images ou d'autres données successivement à travers les couches permettrait à un perceptron de s'attaquer à des problèmes plus complexes. Malheureusement, l'algorithme d'apprentissage de Rosenblatt ne fonctionnait pas sur plusieurs couches. En 1969, le pionnier de l'IA Marvin Minsky, qui était allé au lycée avec Rosenblatt, a publié un critique de la longueur d'un livre des perceptrons qui a tué d'un coup l'intérêt pour les réseaux de neurones. Minsky a affirmé que faire fonctionner plus de couches ne rendrait pas les perceptrons suffisamment puissants pour être utiles. Les chercheurs en intelligence artificielle ont abandonné l'idée de créer des logiciels qui apprenaient. Au lieu de cela, ils se sont tournés vers l'utilisation de la logique pour créer des facettes fonctionnelles de l'intelligence, comme une aptitude pour les échecs. Les réseaux de neurones ont été poussés aux marges de l'informatique.

Néanmoins, LeCun a été fasciné lorsqu'il a lu sur les perceptrons alors qu'il était étudiant en ingénierie à Paris au début des années 1980. J'ai été étonné que cela fonctionnait et je me demandais pourquoi les gens l'avaient abandonné, dit-il. Il a passé des jours dans une bibliothèque de recherche près de Versailles, à la recherche d'articles publiés avant l'extinction des perceptrons. Puis il a découvert qu'un petit groupe de chercheurs aux États-Unis travaillait à nouveau secrètement sur les réseaux de neurones. C'était un mouvement très clandestin, dit-il. Dans des articles soigneusement purgés de mots comme neural et apprendre à éviter le rejet par les critiques, ils travaillaient sur quelque chose qui ressemblait beaucoup au vieux problème de Rosenblatt sur la façon de former des réseaux de neurones à plusieurs couches.

LeCun a rejoint l'underground après avoir rencontré ses personnalités centrales en 1985, dont un Britannique ironique nommé Geoff Hinton, qui travaille maintenant chez Google et à l'Université de Toronto. Ils sont immédiatement devenus des amis, des admirateurs mutuels et le noyau d'une petite communauté qui a ravivé l'idée des réseaux de neurones. Ils étaient soutenus par la conviction que l'utilisation d'un mécanisme de base vu dans l'intelligence naturelle était le seul moyen de construire une intelligence artificielle. La seule méthode dont nous savions qu'elle fonctionnait était un cerveau, donc à long terme, il fallait que des systèmes comme celui-là puissent fonctionner, dit Hinton.

Le succès de LeCun aux Bell Labs est survenu après que lui, Hinton et d'autres aient perfectionné un algorithme d'apprentissage pour les réseaux de neurones à plusieurs couches. C'était connu sous le nom de rétropropagation, et cela a suscité une vague d'intérêt de la part des psychologues et des informaticiens. Mais après la fin du projet de lecture de chèques de LeCun, la rétropropagation s'est avérée difficile à adapter à d'autres problèmes, et une nouvelle façon de former un logiciel pour trier les données a été inventée par un chercheur des Bell Labs dans le couloir de LeCun. Il n'impliquait pas de neurones simulés et était considéré comme mathématiquement plus élégant. Très vite, il est devenu une pierre angulaire des sociétés Internet telles que Google, Amazon et LinkedIn, qui l'utilisent pour former des systèmes qui bloquent les spams ou vous suggèrent des choses à acheter.

Après que LeCun soit arrivé à NYU en 2003, lui, Hinton et un troisième collaborateur, le professeur de l'Université de Montréal Yoshua Bengio, ont formé ce que LeCun appelle le complot d'apprentissage en profondeur. Pour prouver que les réseaux de neurones seraient utiles, ils ont discrètement développé des moyens de les agrandir, de les entraîner avec des ensembles de données plus volumineux et de les exécuter sur des ordinateurs plus puissants. Le système de reconnaissance de l'écriture manuscrite de LeCun avait eu cinq couches de neurones, mais maintenant ils pourraient en avoir 10 ou plus. Vers 2010, ce que l'on appelait maintenant l'apprentissage en profondeur a commencé à battre les techniques établies sur des tâches du monde réel comme le tri d'images. Microsoft, Google et IBM l'ont ajouté aux systèmes de reconnaissance vocale. Mais les réseaux de neurones étaient encore étrangers à la plupart des chercheurs et n'étaient pas considérés comme très utiles. Au début de 2012, LeCun a écrit une lettre enflammée - initialement publié anonymement - après qu'un article prétendant avoir établi un nouveau record sur une tâche de vision standard a été rejeté par une conférence de premier plan. Il a accusé les critiques d'être ignorants et de partialité négative.

Tout a changé six mois plus tard. Hinton et deux étudiants diplômés ont utilisé un réseau comme celui que LeCun a fait pour lire les chèques pour mettre en déroute le terrain dans le principal concours de reconnaissance d'image. Connu sous le nom de ImageNet Large Scale Visual Recognition Challenge, il demande à un logiciel d'identifier 1 000 types d'objets aussi divers que les moustiquaires et les mosquées. L'entrée de Toronto a correctement identifié l'objet dans une image en cinq suppositions environ 85% du temps, plus de 10 points de pourcentage de mieux que le deuxième meilleur système. Les couches initiales de neurones du logiciel d'apprentissage en profondeur se sont optimisées pour trouver des choses simples comme les bords et les coins, les couches suivantes recherchant des caractéristiques successivement plus complexes comme des formes de base et, éventuellement, des chiens ou des personnes.

LeCun se souvient avoir vu la communauté qui avait pour la plupart ignoré les réseaux de neurones se rassembler dans la salle où les gagnants ont présenté un article sur leurs résultats. Vous pouviez voir là-bas que beaucoup de personnes âgées de la communauté se sont retournées, dit-il. Ils ont dit: 'D'accord, maintenant nous l'achetons'. C'est tout, maintenant, vous avez gagné.

Les universitaires travaillant sur la vision par ordinateur ont rapidement abandonné leurs anciennes méthodes et l'apprentissage en profondeur est soudainement devenu l'un des principaux volets de l'intelligence artificielle. Google a acheté une société fondée par Hinton et les deux autres à l'origine du résultat de 2012, et Hinton a commencé à y travailler à temps partiel dans une équipe de recherche connue sous le nom de Google Brain. Microsoft et d'autres entreprises ont créé de nouveaux projets pour étudier l'apprentissage en profondeur. En décembre 2013, le PDG de Facebook, Mark Zuckerberg, a stupéfié les universitaires en se présentant à la plus grande conférence de recherche sur les réseaux de neurones, organisant une fête où il a annoncé que LeCun lançait FAIR (bien qu'il travaille toujours à NYU un jour par semaine).

LeCun nourrit toujours des sentiments mitigés à propos de la recherche de 2012 qui a amené le monde autour de son point de vue. Dans une certaine mesure, cela aurait dû sortir de mon laboratoire, dit-il. Hinton partage cette évaluation. C'était un peu dommage pour Yann que ce ne soit pas lui qui ait créé le système révolutionnaire, dit-il. Le groupe de LeCun avait fait plus de travail que quiconque pour prouver les techniques utilisées pour remporter le défi ImageNet. La victoire aurait pu être la sienne si les calendriers de remise des diplômes des étudiants et d'autres engagements n'avaient pas empêché son propre groupe de s'attaquer à ImageNet, dit-il. La chasse de LeCun pour la prochaine percée de l'apprentissage en profondeur est maintenant une chance d'égaliser le score.

LeCun aux Bell Labs en 1993, avec un ordinateur capable de lire l'écriture manuscrite sur les chèques.

Apprendre une langue

Le bureau de Facebook à New York se trouve à trois minutes à pied de Broadway depuis le bureau de LeCun à NYU, sur deux étages d'un bâtiment construit comme un grand magasin au début du XXe siècle. Les travailleurs sont entassés plus densément dans le plan ouvert qu'ils ne le sont au siège social de Facebook à Menlo Park, en Californie, mais on peut toujours les voir glisser sur des planches à roulettes articulées après les avis de bière-pong hebdomadaires. Près de la moitié de l'équipe de LeCun, composée de chercheurs de premier plan en IA, travaille ici, le reste sur le campus californien de Facebook ou dans un bureau à Paris. Beaucoup d'entre eux essaient de rendre les réseaux de neurones plus aptes à comprendre le langage. J'ai embauché toutes les personnes travaillant là-dessus que je pouvais, dit LeCun.

Un réseau de neurones peut apprendre des mots en parcourant le texte et en calculant comment chaque mot qu'il rencontre aurait pu être prédit à partir des mots qui le précèdent ou le suivent. Ce faisant, le logiciel apprend à représenter chaque mot comme un vecteur qui indique sa relation avec d'autres mots - un processus qui capture étrangement les concepts du langage. La différence entre les vecteurs pour le roi et la reine est la même que pour le mari et la femme, par exemple. Les vecteurs pour le papier et le carton sont proches les uns des autres, et ceux pour les grands et les gros sont encore plus proches.

La même approche fonctionne pour des phrases entières (Hinton dit qu'elle génère des vecteurs de pensée), et Google envisage de l'utiliser pour renforcer son service de traduction automatique. Un article récent de chercheurs d'une université chinoise et du laboratoire de Pékin de Microsoft a utilisé une version de la technique vectorielle pour créer un logiciel qui bat certains humains sur des questions de test de QI nécessitant une compréhension des synonymes, des antonymes et des analogies.

Le groupe de LeCun travaille à aller plus loin. La langue en soi n'est pas si compliquée, dit-il. Ce qui est compliqué, c'est d'avoir une compréhension profonde du langage et du monde qui vous donne du bon sens. C'est ce que nous sommes vraiment intéressés à intégrer dans les machines. LeCun signifie sens commun au sens d'Aristote : la capacité de comprendre la réalité physique de base. Il veut qu'un ordinateur comprenne que la phrase Yann a ramassé la bouteille et est sorti de la pièce signifie que la bouteille est partie avec lui. Les chercheurs de Facebook ont ​​inventé un système d'apprentissage en profondeur appelé réseau de mémoire qui affiche ce qui pourrait être les premiers émois du bon sens.

Un réseau de mémoire est un réseau neuronal avec une banque de mémoire boulonnée pour stocker les faits qu'il a appris afin qu'ils ne soient pas emportés à chaque fois qu'il prend de nouvelles données. Le laboratoire d'IA de Facebook a créé des versions qui peuvent répondre à de simples questions de bon sens sur du texte qu'elles n'ont jamais vues auparavant. Par exemple, lorsque des chercheurs ont donné à un réseau de mémoire un résumé très simplifié du tracé de le Seigneur des Anneaux , il pourrait répondre à des questions telles que Où est la bague ? et où était Frodon avant le Mont Doom ? Il pourrait interpréter le monde simple décrit dans le texte bien qu'il n'ait jamais rencontré auparavant de nombreux noms ou objets, tels que Frodon ou anneau.

Le logiciel a appris son bon sens rudimentaire en lui montrant comment répondre à des questions sur un texte simple dans lequel des personnages font des choses dans une série de pièces, comme Fred a déménagé dans la chambre et Joe est allé dans la cuisine. Mais LeCun veut exposer le logiciel à des textes qui capturent bien mieux la complexité de la vie et les choses qu'un assistant virtuel pourrait avoir à faire. Un concierge virtuel appelé Moneypenny que Facebook devrait publier pourrait être une source de ces données. On dit que l'assistant est alimenté par une équipe d'opérateurs humains qui aideront les gens à faire des choses comme faire des réservations de restaurant. L'équipe de LeCun pourrait avoir un réseau de mémoire surveillant l'épaule de Moneypenny avant de le laisser éventuellement apprendre en interagissant avec les humains pour lui-même.

Plusieurs entreprises ont ouvert des laboratoires d'apprentissage en profondeur. J'ai embauché toutes les personnes travaillant là-dessus que je pouvais, dit LeCun.

Construire quelque chose qui peut contenir même une conversation de base et étroitement ciblée nécessite toujours un travail important. Par exemple, les réseaux de neurones n'ont montré qu'un raisonnement très simple, et les chercheurs n'ont pas compris comment on pourrait leur apprendre à faire des plans, dit LeCun. Mais les résultats du travail qui a été fait avec la technologie jusqu'à présent le laissent confiant quant à la direction que prennent les choses. La révolution est en marche, dit-il.

Certaines personnes sont moins sûres. Jusqu'à présent, les logiciels d'apprentissage en profondeur n'ont affiché que les capacités les plus simples requises pour ce que nous reconnaîtrions comme une conversation, déclare Oren Etzioni , PDG de l'Allen Institute for Artificial Intelligence à Seattle. Les capacités de logique et de planification encore nécessaires, dit-il, sont très différentes de ce que les réseaux de neurones faisaient le mieux : digérer des séquences de pixels ou de formes d'onde acoustiques pour décider quelle catégorie d'image ou quel mot ils représentent. Les problèmes de compréhension du langage naturel ne sont pas réductibles de la même manière, dit-il.

Gary Marcus , professeur de psychologie et de sciences neurales à NYU qui a étudié comment les humains apprennent le langage et a récemment lancé une société d'intelligence artificielle appelée Geometric Intelligence, pense que LeCun sous-estime à quel point il serait difficile pour les logiciels existants de capter le langage et le bon sens. Entraîner le logiciel avec de gros volumes de données soigneusement annotées est parfait pour le faire trier les images. Mais Marcus doute qu'il puisse acquérir les compétences les plus délicates nécessaires au langage, où le sens des mots et des phrases complexes peut basculer en fonction du contexte. Les gens reviendront sur l'apprentissage en profondeur et diront que c'est une technique vraiment puissante - c'est la première fois que l'IA devient pratique, dit-il. Ils diront également que ces choses nécessitaient beaucoup de données et qu'il y avait des domaines où les gens n'en avaient jamais assez. Marcus pense que la langue peut être l'un de ces domaines. Pour qu'un logiciel maîtrise la conversation, il devrait apprendre davantage comme un tout-petit qui la prend sans instruction explicite, suggère-t-il.

Croyance profonde

Au siège de Facebook en Californie, les membres de la côte ouest de l'équipe de LeCun sont assis à côté de Mark Zuckerberg et Mike Schroepfer, le CTO de l'entreprise. Les dirigeants de Facebook savent que le groupe de LeCun est encore loin de créer quelque chose à qui vous pouvez parler, mais Schroepfer réfléchit déjà à la façon de l'utiliser. Le futur Facebook qu'il décrit récupère et coordonne les informations, comme un majordome avec lequel vous communiquez en tapant ou en parlant comme vous le feriez avec un humain.

Vous pouvez vous engager avec un système qui peut vraiment comprendre les concepts et le langage à un niveau beaucoup plus élevé, dit Schroepfer. Il imagine pouvoir vous demander de voir les clichés de bébé d'un ami mais pas ses blagues, par exemple. Je pense qu'à court terme, une version de cela est très réalisable, dit-il. Au fur et à mesure que les systèmes de LeCun atteignent de meilleures capacités de raisonnement et de planification, il s'attend à ce que la conversation devienne moins unilatérale. Facebook peut proposer des informations qu'il pense que vous aimeriez et vous demander ce que vous en pensez. En fin de compte, c'est comme cet assistant super intelligent qui est connecté à tous les flux d'informations dans le monde, explique Schroepfer.

On ne sait pas dans quelle mesure nous bénéficierions d'assistants virtuels plus intelligents, mais nous n'aurons peut-être pas à attendre longtemps pour le savoir.

Les algorithmes nécessaires pour alimenter de telles interactions amélioreraient également les systèmes que Facebook utilise pour filtrer les publications et les publicités que nous voyons. Et ils pourraient être vitaux pour les ambitions de Facebook de devenir bien plus qu'un simple lieu de socialisation. Alors que Facebook commence à héberger des articles et des vidéos pour le compte d'entreprises de médias et de divertissement, par exemple, il faudra de meilleures façons pour les gens de gérer les informations. Les assistants virtuels et autres retombées du travail de LeCun pourraient également aider les départs plus ambitieux de Facebook par rapport à son activité d'origine, comme le groupe Oculus travaillant à faire de la réalité virtuelle une technologie de marché de masse.

Rien de tout cela ne se produira si les récents résultats impressionnants rencontrent le sort des grandes idées précédentes en matière d'intelligence artificielle. L'excitation suscitée par les réseaux de neurones s'est déjà estompée deux fois. Mais tout en se plaignant que d'autres entreprises ou chercheurs exagèrent leur travail, c'est l'un des arguments de LeCun. passe-temps favoris , il dit qu'il y a suffisamment de preuves circonstancielles pour soutenir fermement ses propres prédictions selon lesquelles l'apprentissage en profondeur produira des gains impressionnants. La technologie offre toujours plus de précision et de puissance dans tous les domaines de l'IA où elle a été appliquée, dit-il. De nouvelles idées sont nécessaires sur la façon de l'appliquer au traitement du langage, mais le domaine encore restreint se développe rapidement à mesure que les entreprises et les universités y consacrent plus de personnel. Cela accélérera les progrès, dit LeCun.

Il n'est toujours pas clair que l'apprentissage en profondeur puisse fournir quelque chose comme le majordome d'informations que Facebook envisage. Et même si c'est possible, il est difficile de dire à quel point le monde en bénéficierait vraiment. Mais nous n'aurons peut-être pas à attendre longtemps pour le savoir. LeCun devine que des assistants virtuels avec une maîtrise du langage sans précédent pour les logiciels seront disponibles dans seulement deux à cinq ans. Il s'attend à ce que quiconque doute de la capacité de l'apprentissage en profondeur à maîtriser le langage se trompe encore plus tôt. Il y a le même phénomène que nous observions juste avant 2012, dit-il. Les choses commencent à fonctionner, mais les gens qui font des techniques plus classiques ne sont pas convaincus. Dans un an ou deux ce sera la fin.

cacher