211service.com
Deux approches d'IA rivales se combinent pour permettre aux machines d'apprendre le monde comme un enfant
Photo de L'APPRENANT AU CONCEPT NEURO-SYMBOLIQUE : INTERPRÉTER DES SCÈNES, DES MOTS ET DES PHRASES SOUS SURVEILLANCE NATURELLE ; Edité par MIT Technology Review
Au cours des décennies qui ont suivi la création de l'intelligence artificielle, la recherche dans le domaine s'est divisée en deux camps principaux. Les symbolistes ont cherché à construire des machines intelligentes en codant en règles logiques et en représentations du monde. Les connexionnistes ont cherché à construire des réseaux de neurones artificiels, inspirés de la biologie, pour apprendre sur le monde. Les deux groupes ne s'entendaient pas historiquement.
Mais un nouveau papier du MIT, IBM et DeepMind montre la puissance de la combinaison des deux approches, indiquant peut-être une voie à suivre pour le domaine. L'équipe, dirigée par Josh Tenenbaum , professeur au MIT Centre pour les cerveaux, les esprits et les machines , a créé un programme informatique appelé un apprenant de concept neuro-symbolique (NS-CL) qui apprend le monde (quoique dans une version simplifiée) tout comme un enfant pourrait le faire, en regardant autour de lui et en parlant.
Le système se compose de plusieurs pièces. Un réseau de neurones est formé sur une série de scènes composées d'un petit nombre d'objets. Un autre réseau de neurones est formé sur une série de paires de questions-réponses textuelles sur la scène, telles que Q : Quelle est la couleur de la sphère ? R : Rouge. Ce réseau apprend à mapper les questions en langage naturel à un programme simple qui peut être exécuté sur une scène pour produire une réponse.
Le système NS-CL est également programmé pour comprendre les concepts symboliques dans le texte tels que les objets, les attributs d'objet et les relations spatiales. Cette connaissance aide NS-CL à répondre à de nouvelles questions sur une scène différente - un type d'exploit qui est beaucoup plus difficile en utilisant uniquement une approche connexionniste. Le système reconnaît ainsi des concepts dans de nouvelles questions et peut les relier visuellement à la scène devant lui.
'C'est une approche passionnante', déclare Lac Brenden , professeur adjoint à NYU. «La reconnaissance de formes neuronales permet au système de voir , tandis que les programmes symboliques permettent au système de raison . Ensemble, l'approche va au-delà de ce que les systèmes d'apprentissage en profondeur actuels peuvent faire.
En d'autres termes, le système hybride répond aux principales limitations des deux approches précédentes en les combinant. Il surmonte les problèmes d'évolutivité du symbolisme, qui a historiquement eu du mal à encoder la complexité de la connaissance humaine de manière efficace. Mais il s'attaque également à l'un des problèmes les plus courants des réseaux de neurones : le fait qu'ils ont besoin d'énormes quantités de données.
Il est possible de former uniquement un réseau de neurones pour répondre à des questions sur une scène en alimentant des millions d'exemples en tant que données de formation. Mais un enfant humain n'a pas besoin d'une telle quantité de données pour saisir ce qu'est un nouvel objet ou comment il se rapporte à d'autres objets. De plus, un réseau formé de cette façon n'a aucune compréhension réelle des concepts impliqués - c'est juste un vaste exercice de correspondance de modèles. Un tel système serait donc enclin à commettre des erreurs très stupides face à de nouveaux scénarios. Il s'agit d'un problème courant avec les réseaux de neurones d'aujourd'hui et sous-tend des lacunes qui sont facilement exposées (voir le problème de langage de l'IA).
Les puristes du connexionnisme peuvent s'opposer au fait que le système nécessite certaines connaissances pour être codé en dur. Mais le travail est important car il nous rapproche de l'ingénierie d'une forme d'intelligence qui ressemble plus à la nôtre. Les scientifiques cognitifs croient que l'esprit humain passe par des étapes similaires, et que cela sous-tend la flexibilité de l'apprentissage humain.
Plus concrètement, cela pourrait également débloquer de nouvelles applications de l'IA car la nouvelle technologie nécessite beaucoup moins de données de formation. Les systèmes de robots, par exemple, pourraient enfin apprendre à la volée, plutôt que de passer beaucoup de temps à s'entraîner pour chaque environnement unique dans lequel ils se trouvent.
C'est vraiment excitant car cela va nous permettre de dépasser cette dépendance vis-à-vis d'énormes quantités de données étiquetées, déclare David Cox , le scientifique qui dirige le laboratoire MIT-IBM Watson AI.
Les chercheurs à l'origine de l'étude développent actuellement une version qui fonctionne sur des photographies de scènes réelles. Cela pourrait s'avérer précieux pour de nombreuses applications pratiques de la vision par ordinateur.