211service.com
L'armée américaine veut enseigner à l'IA un peu de bon sens
MARTEAU : DAVID ; TÉLÉPHONE : ANDRIWIDODO ; BANANE : BEN DAVIS | Le projet de nom
Partout où l'intelligence artificielle est déployée, vous constaterez qu'elle a échoué d'une manière amusante. Prendre le erreurs étranges fait par des algorithmes de traduction qui confondent avoir quelqu'un à dîner avec, eh bien, avoir quelqu'un à dîner.
Mais comme l'IA est utilisée dans des situations de plus en plus critiques, comme conduire des voitures autonomes, faire des diagnostics médicaux ou tirer des conclusions de vie ou de mort à partir d'informations de renseignement, ces échecs ne feront plus rire. Voilà pourquoi DARPA , la branche de recherche de l'armée américaine, s'attaque au défaut le plus fondamental de l'IA : elle n'a aucun bon sens.
Le bon sens est la matière noire de l'intelligence artificielle, déclare Oren Etzioni, PDG de Institut Allen pour l'IA , un organisme de recherche à but non lucratif basé à Seattle qui explore les limites de la technologie. C'est un peu ineffable, mais on voit ses effets sur tout.
Le nouveau programme Machine Common Sense (MCS) de la DARPA organisera un concours qui demandera aux algorithmes d'IA de donner un sens à des questions comme celle-ci :
Un étudiant met deux plantes identiques dans le même type et la même quantité de sol. Elle leur donne la même quantité d'eau. Elle place une de ces plantes près d'une fenêtre et l'autre dans une pièce sombre. La plante près de la fenêtre produira plus (A) d'oxygène (B) de dioxyde de carbone (C) d'eau.
Un programme informatique a besoin d'une certaine compréhension du fonctionnement de la photosynthèse pour aborder la question. Le simple fait d'alimenter une machine avec de nombreuses questions précédentes ne résoudra pas le problème de manière fiable.
Ces benchmarks se concentreront sur le langage car il peut facilement faire trébucher les machines et parce qu'il rend les tests relativement simples. Etzioni dit que les questions offrent un moyen de mesurer les progrès vers une compréhension de bon sens, ce qui sera crucial.
Les entreprises technologiques sont occupées à commercialiser des techniques d'apprentissage automatique puissantes mais fondamentalement limitées. L'apprentissage en profondeur, par exemple, permet de reconnaître des mots dans la parole ou des objets dans des images, souvent avec une précision incroyable. Mais l'approche repose généralement sur l'alimentation de grandes quantités de données étiquetées - un signal audio brut ou les pixels d'une image - dans un grand réseau de neurones. Le système peut apprendre à repérer des schémas importants, mais il peut facilement faire des erreurs car il n'a aucune idée du monde en général.
En revanche, les bébés humains développent rapidement une compréhension intuitive du monde qui sert de base à leur intelligence.
Il est loin d'être évident, cependant, comment résoudre le problème du bon sens. Les tentatives précédentes pour aider les machines à comprendre le monde se sont concentrées sur la création manuelle de grandes bases de données de connaissances. Il s'agit d'une tâche lourde et essentiellement sans fin. L'effort le plus célèbre est Cycle , un projet en préparation depuis des décennies .
Le problème peut s'avérer extrêmement important. Un manque de bon sens, après tout, est désastreux dans certaines situations critiques, et il pourrait finalement freiner l'intelligence artificielle. La DARPA investit depuis longtemps dans la recherche fondamentale sur l'IA. Les projets précédents ont aidé à créer les voitures autonomes d'aujourd'hui ainsi que l'assistant personnel à commande vocale le plus célèbre, Siri.
L'absence de bon sens empêche un système intelligent de comprendre son monde, de communiquer naturellement avec les gens, de se comporter raisonnablement dans des situations imprévues et d'apprendre de nouvelles expériences, a déclaré Dave Gunning, responsable de programme à la DARPA, dans un communiqué publié ce matin. Cette absence est peut-être la barrière la plus importante entre les applications d'IA étroitement ciblées que nous avons aujourd'hui et les applications d'IA plus générales que nous aimerions créer à l'avenir.