La technique d'IA qui pourrait conférer aux machines la capacité de raisonner

Une image de bébés jouant avec des blocs Getty

À six mois, un bébé ne sourcillera pas si un camion-jouet descend d'une plate-forme et semble flotter dans les airs . Mais effectuez la même expérience à peine deux ou trois mois plus tard, et elle reconnaîtra instantanément que quelque chose ne va pas. Elle a déjà appris le concept de gravité.

Personne ne dit au bébé que les objets sont censés tomber, a déclaré Yann LeCun, scientifique en chef de l'IA chez Facebook et professeur à NYU, lors d'un webinaire le jeudi organisé par l'Association for Computing Machinery, un organisme de l'industrie. Et parce que les bébés n'ont pas un contrôle moteur très sophistiqué, suppose-t-il, une grande partie de ce qu'ils apprennent sur le monde se fait par l'observation.

Cette théorie pourrait avoir des implications importantes pour les chercheurs qui espèrent repousser les limites de l'intelligence artificielle.

L'apprentissage en profondeur, la catégorie d'algorithmes d'IA qui a lancé la révolution la plus récente du domaine, a fait d'immenses progrès en donnant aux machines des capacités perceptives comme la vision. Mais il n'a pas réussi à les imprégner d'un raisonnement sophistiqué, fondé sur un modèle conceptuel de la réalité. En d'autres termes, les machines ne comprennent pas vraiment le monde qui les entoure, ce qui les empêche de s'y engager. De nouvelles techniques aident à surmonter cette limitation, par exemple en donnant aux machines une sorte de mémoire de travail afin qu'à mesure qu'elles apprennent et dérivent des faits et des principes de base, elles puissent les accumuler pour s'en servir lors d'interactions futures.

Mais LeCun pense que ce n'est qu'une pièce du puzzle. De toute évidence, nous manquons quelque chose, a-t-il déclaré. Un bébé peut développer une compréhension d'un éléphant après avoir vu deux photos, tandis que les algorithmes d'apprentissage en profondeur doivent en voir des milliers, voire des millions. Un adolescent peut apprendre à conduire en toute sécurité en s'entraînant pendant 20 heures et réussir à éviter les accidents sans en subir un au préalable, tandis que les algorithmes d'apprentissage par renforcement (une sous-catégorie de l'apprentissage en profondeur) doivent passer par des dizaines de millions d'essais, y compris de nombreux échecs flagrants.

La réponse, pense-t-il, se trouve dans la sous-catégorie sous-estimée de l'apprentissage en profondeur connue sous le nom d'apprentissage non supervisé. Alors que les algorithmes basés sur l'apprentissage supervisé et par renforcement sont enseignés pour atteindre un objectif grâce à une intervention humaine, ceux qui ne sont pas supervisés extraient des modèles de données entièrement par eux-mêmes. (LeCun préfère le terme apprentissage auto-supervisé car il utilise essentiellement une partie des données de formation pour prédire le reste des données de formation.)

Ces dernières années, ces algorithmes ont gagné en popularité dans le traitement du langage naturel en raison de leur capacité à trouver les relations entre des milliards de mots. Cela s'avère utile pour créer des systèmes de prédiction de texte comme la saisie semi-automatique ou pour générer un texte convaincant. Mais la grande majorité des recherches sur l'IA dans d'autres domaines se sont concentrées sur l'apprentissage supervisé ou par renforcement.

LeCun pense que l'accent devrait être inversé. Tout ce que nous apprenons en tant qu'êtres humains - presque tout - est appris grâce à un apprentissage auto-supervisé. Il y a une mince couche que nous apprenons grâce à l'apprentissage supervisé, et une infime quantité que nous apprenons grâce à l'apprentissage par renforcement, a-t-il déclaré. Si l'apprentissage automatique, ou IA, est un gâteau, la grande majorité du gâteau est un apprentissage auto-supervisé.

À quoi cela ressemble-t-il en pratique ? Les chercheurs devraient commencer par se concentrer sur la prédiction temporelle. En d'autres termes, entraînez de grands réseaux de neurones pour prédire la seconde moitié d'une vidéo lorsqu'on leur donne la première. Bien que tout ne puisse pas être prédit dans notre monde, c'est la compétence fondamentale derrière la capacité d'un bébé à réaliser qu'un camion jouet devrait tomber. C'est une sorte de simulation de ce qui se passe dans votre tête, si vous voulez, a déclaré LeCun.

Une fois que le domaine aura développé des techniques qui affinent ces capacités, elles auront également d'importantes utilisations pratiques. C'est une bonne idée de faire de la prédiction vidéo dans le contexte des voitures autonomes, car vous voudrez peut-être savoir à l'avance ce que les autres voitures vont faire dans la rue, a-t-il déclaré.

En fin de compte, l'apprentissage non supervisé aidera les machines à développer un modèle du monde qui pourra ensuite prédire les états futurs du monde, a-t-il déclaré. C'est une noble ambition qui a échappé à la recherche sur l'IA, mais qui ouvrirait une toute nouvelle gamme de capacités. LeCun est confiant : La prochaine révolution de l'IA ne sera pas supervisée.

Pour recevoir plus d'histoires comme celle-ci directement dans votre boîte de réception, inscrivez-vous à notre newsletter AI nominée par Webby, The Algorithm. C'est gratuit.

cacher