IBM pousse le Deep Learning avec une mise à niveau Watson

d'IBM Péril! -jouer au système informatique, Watson , a combiné deux domaines distincts de la recherche sur l'intelligence artificielle avec des résultats gagnants. La compréhension du langage naturel a été fusionnée avec l'analyse statistique de vastes piles de texte non structurées pour trouver les réponses probables aux cryptiques. Péril! des indices.

IBM vise maintenant à ajouter une autre technique d'IA puissante, connue sous le nom d'apprentissage en profondeur, à la version commerciale de Watson. Cette décision pourrait rendre la plate-forme considérablement plus intelligente et plus utile, et indique une direction future prometteuse pour la recherche sur l'IA.

Dans ses efforts pour commercialiser Watson, IBM a rendu certaines des fonctionnalités développées pour le Péril! défi, ainsi que quelques nouveaux, disponibles pour les développeurs via une interface de programmation d'application (API) cloud. Il a maintenant ajouté trois fonctionnalités basées sur l'apprentissage en profondeur à cette API Watson : la traduction, la synthèse vocale et la synthèse vocale. Ceux-ci pourraient être utilisés pour créer, par exemple, des applications ou des sites Web qui offrent des services de traduction ou de transcription. Mais les développeurs pourraient également les connecter à d'autres services Watson qui analysent les questions et recherchent des réponses dans de grandes quantités de texte. Cela pourrait conduire à une application permettant de rechercher un grand nombre de documents avec des requêtes prononcées naturellement.

La société a également déclaré qu'elle collaborera avec Yoshua Bengio , professeur à l'Université de Montréal au Canada, figure éminente dans le domaine de l'apprentissage en profondeur.

L'apprentissage en profondeur consiste à entraîner un ordinateur à reconnaître des modèles souvent complexes et abstraits en alimentant de grandes quantités de données à travers des réseaux successifs de neurones artificiels et en affinant la façon dont ces réseaux répondent à l'entrée. Ces dernières années, l'approche s'est avérée très efficace pour reconnaître des mots parlés ou d'autres sons, ou pour classer des informations visuelles (voir Breakthrough Technologies 2013 : Deep Learning).

Des progrès rapides ont été réalisés dans l'apprentissage en profondeur ces dernières années grâce à la mise à disposition de grandes quantités de données classifiées, en particulier en ligne, et parce que de puissants processeurs graphiques parallèles se sont révélés particulièrement efficaces pour effectuer les calculs nécessaires. Certaines des plus grandes entreprises technologiques du monde souhaitent appliquer l'apprentissage en profondeur de manière commercialement pertinente (voir Facebook lance un effort d'IA pour trouver un sens à vos publications et Google accapare-t-il le marché de l'apprentissage en profondeur ? ). Google et Facebook ont ​​également embauché des personnalités du deep learning pour appliquer la technologie à leurs entreprises.

Cependant, bien que les résultats produits par les systèmes d'apprentissage en profondeur soient souvent spectaculaires, les systèmes responsables sont extrêmement spécialisés et peuvent échouer de manière surprenante car ils n'appréhendent pas le monde de manière très significative. Si l'apprentissage en profondeur peut être combiné efficacement avec d'autres techniques d'IA, cela pourrait produire des systèmes plus complets et utiles.

Vous pouvez imaginer beaucoup de cas d'utilisation différents, dit Jérôme Pesenti , vice-président des technologies de base pour Watson. Disons que vous avez un produit bancaire ou d'assurance, vous pouvez parler au téléphone et dire : « Hé, c'est mon problème », et avoir quelque chose qui interagit automatiquement avec vous, ou vous donne à un humain réel lorsque le système ne fonctionne pas. je ne sais pas répondre. C'est le genre de système que nous mettons en place en ce moment.

La combinaison de volets disparates de la recherche sur l'IA pourrait devenir une tendance importante dans les années à venir.

Un défi majeur pour l'IA moderne consiste à reconstituer un domaine qui s'est presque éclaté entre ces méthodologies, déclare James Hendler , directeur du Rensselaer Polytechnic Institute for Data Exploration and Applications à Troy, New York. RPI a accès à une première version de Watson donnée à l'université par IBM, et Hendler enseigne des cours basés sur la technologie. L'élément clé de Watson, dit-il, est qu'il s'agit intrinsèquement de prendre de nombreuses solutions différentes aux choses et de les intégrer pour prendre une décision.

L'application de l'apprentissage d'un domaine, comme la vision, à un autre, comme la parole, est connue sous le nom d'approche multimodale. Cela pourrait rendre les futurs systèmes d'IA beaucoup plus utiles et pourrait fournir des informations fondamentales sur la nature de l'intelligène.

Lorsqu'il s'agit de commercialiser de telles avancées, IBM peut avoir, grâce à Watson, une longueur d'avance sur l'intégration de nouvelles techniques de manière utile. Pesenti dit que son équipe fait déjà des progrès dans ce domaine. Si je vous parle d'un chien, il est très difficile de comprendre ce qu'est un chien sans avoir une expérience de ce chien, que vous obtenez à travers une vision multimodale de cela, dit-il. Nous croyons que c'est en fait une très, très grande partie de notre stratégie.

cacher