Google met sa technologie de cerveau virtuel au travail

Cet été, Google a posé un nouveau jalon dans le domaine de l'intelligence artificielle avec un logiciel qui a appris à reconnaître les chats, les personnes et d'autres choses simplement en regardant des vidéos YouTube (voir Logiciels autodidactes ). Cette technologie, calquée sur le fonctionnement des cellules du cerveau, est maintenant mise en œuvre pour rendre les produits de Google plus intelligents, la reconnaissance vocale étant le premier service à en bénéficier.

Idéal platonicien : Cette image composite représente le stimulus idéal que le réseau neuronal de Google reconnaît comme un visage de chat.

Le logiciel d'apprentissage de Google est basé sur la simulation de groupes de cellules cérébrales connectées qui communiquent et s'influencent mutuellement. Lorsqu'un tel réseau de neurones, comme on l'appelle, est exposé à des données, les relations entre les différents neurones peuvent changer. Cela amène le réseau à développer la capacité de réagir d'une certaine manière aux données entrantes d'un type particulier - et on dit que le réseau a appris quelque chose.

Les réseaux de neurones sont utilisés depuis des décennies dans des domaines où l'apprentissage automatique est appliqué, tels que les logiciels de jeu d'échecs ou la détection de visage. Les ingénieurs de Google ont trouvé des moyens de mettre plus de puissance de calcul derrière l'approche qu'auparavant, en créant des réseaux de neurones qui peuvent apprendre sans assistance humaine et sont suffisamment robustes pour être utilisés commercialement, pas seulement comme démonstrations de recherche.

Les réseaux de neurones de l'entreprise décident eux-mêmes des caractéristiques des données auxquelles prêter attention et des modèles qui comptent, plutôt que de laisser les humains décider que, par exemple, les couleurs et les formes particulières intéressent les logiciels essayant d'identifier des objets.

Google utilise désormais ces réseaux de neurones pour reconnaître la parole avec plus de précision, une technologie de plus en plus importante pour le système d'exploitation pour smartphone de Google, Android, ainsi que l'application de recherche qu'elle met à disposition pour les appareils Apple (voir la réponse de Google à Siri Thinks Ahead ). Nous avons obtenu entre 20 et 25 pour cent d'amélioration en termes de mots qui sont faux, dit Vincent Vanhoucke , un leader des efforts de reconnaissance vocale de Google. Cela signifie que beaucoup plus de personnes auront une expérience parfaite sans erreurs. Le réseau neuronal ne fonctionne jusqu'à présent que sur l'anglais américain, et Vanhoucke dit que des améliorations similaires devraient être possibles lorsqu'il sera introduit pour d'autres dialectes et langues.

D'autres produits Google s'amélioreront probablement au fil du temps avec l'aide du nouveau logiciel d'apprentissage. Les outils de recherche d'images de l'entreprise, par exemple, pourraient mieux comprendre le contenu d'une photo sans se fier au texte qui l'entoure. Et les voitures autonomes de Google (voir Look, No Hands ) et l'ordinateur portable intégré dans une paire de lunettes (voir You Will Want Google's Goggles ) pourraient bénéficier d'un logiciel mieux à même de donner un sens à des données plus réelles.

La nouvelle technologie a fait la une des journaux en juin de cette année, lorsque les ingénieurs de Google ont publié les résultats d'une expérience qui a projeté 10 millions d'images extraites de vidéos YouTube sur leurs cellules cérébrales simulées, exécutant 16 000 processeurs sur un millier d'ordinateurs pendant 10 jours sans pause.

Caractéristiques moyennes : Cette image composite représente le stimulus idéal pour que le logiciel de Google détecte un visage humain sur une photo.

La plupart des gens conservent leur modèle dans une seule machine, mais nous voulions expérimenter avec de très grands réseaux de neurones, explique Jeff Doyen , un ingénieur aidant à diriger la recherche chez Google. Si vous augmentez à la fois la taille du modèle et la quantité de données avec lesquelles vous l'entraînez, vous pouvez apprendre des distinctions plus fines ou des fonctionnalités plus complexes.

Les réseaux de neurones issus de ce processus sont plus flexibles. Ces modèles peuvent généralement prendre beaucoup plus de contexte, explique Dean, donnant un exemple du monde de la reconnaissance vocale. Si, par exemple, le système de Google pensait avoir entendu quelqu'un dire que je vais manger un litchi, mais que le dernier mot était légèrement étouffé, il pourrait confirmer son intuition sur la base de l'expérience passée des phrases car le litchi est un fruit et est utilisé dans le même contexte que la pomme ou l'orange.

Dean dit que son équipe teste également des modèles qui comprennent à la fois les images et le texte. Vous lui donnez des « marsouins » et cela vous donne des photos de marsouins, dit-il. Si vous lui donnez une image d'un marsouin, cela vous donne « marsouin » comme mot.

Une prochaine étape pourrait être que le même modèle apprenne également les sons des mots. Être capable de relier différentes formes de données comme celle-ci pourrait conduire à une reconnaissance vocale qui recueille des indices supplémentaires à partir d'une vidéo, par exemple, et cela pourrait augmenter les capacités des voitures autonomes de Google en les aidant à comprendre leur environnement en combinant les nombreux flux de données ils collectent, des scans laser des obstacles à proximité aux informations du moteur de la voiture.

Le travail de Google sur la création de réseaux de neurones nous rapproche un peu plus de l'un des objectifs ultimes de l'IA : créer un logiciel qui peut correspondre à l'intelligence animale ou peut-être même humaine, selon Yoshua Bengio , professeur à l'Université de Montréal qui travaille sur des techniques similaires d'apprentissage automatique. C'est la voie vers une intelligence artificielle plus générale - il n'y a aucun moyen d'obtenir une machine intelligente si elle ne peut pas absorber un grand volume de connaissances sur le monde, dit-il.

En fait, le fonctionnement des réseaux de neurones de Google fonctionne de manière similaire à ce que les neuroscientifiques connaissent du cortex visuel chez les mammifères, la partie du cerveau qui traite les informations visuelles, explique Bengio. Il s'avère que les réseaux d'apprentissage de fonctionnalités utilisés [par Google] sont similaires aux méthodes utilisées par le cerveau qui sont capables de découvrir des objets qui existent.

Cependant, il s'empresse d'ajouter que même les réseaux de neurones de Google sont beaucoup plus petits que le cerveau et qu'ils ne peuvent pas effectuer beaucoup de choses nécessaires à l'intelligence, comme raisonner avec des informations collectées du monde extérieur.

Dean fait également attention à ne pas laisser entendre que les intelligences limitées qu'il construit sont proches de correspondre à n'importe quel cerveau biologique. Mais il ne peut s'empêcher de souligner que si vous choisissez le bon concours, les réseaux de neurones de Google font battre les humains.

Nous constatons des performances supérieures à celles du niveau humain dans certaines tâches visuelles, dit-il, donnant l'exemple de l'étiquetage, où les numéros de maison apparaissent sur les photos prises par la voiture Street View de Google, un travail qui était autrefois confié à de nombreux humains.

Ils commencent à utiliser des réseaux neuronaux pour décider si un patch [in an image] est un numéro de maison ou non, dit Dean, et ils s'avèrent plus performants que les humains. C'est une petite victoire, mais qui met en évidence à quel point les réseaux neuronaux artificiels sont derrière ceux dans votre tête. C'est probablement que ce n'est pas très excitant, et un ordinateur ne se fatigue jamais, dit Dean. Il faut une réelle intelligence pour s'ennuyer.

cacher