211service.com
Le chaînon manquant de l'intelligence artificielle
En 2012, le monde a appris l'existence d'un projet de recherche surprenant au sein du laboratoire X secret de Google. Une simulation géante de trois millions de neurones a appris à reconnaître des chats et des personnes sur des photos, sans aide humaine, simplement en regardant des images prises sur YouTube.
Les personnes derrière le projet ont fondé un nouveau groupe de recherche connu sous le nom de Google Brain au sein de la division de recherche de l'entreprise. Eux et des chercheurs ailleurs ont rapidement prouvé au monde que les réseaux de neurones artificiels, une invention vieille de plusieurs décennies, pouvaient comprendre les images et la parole avec une précision sans précédent (voir Google Puts Its Virtual Brain to Work ). Le succès de l'apprentissage en profondeur, comme la technique est également connue, a incité Google et d'autres à investir massivement dans l'intelligence artificielle et a même conduit certains experts à affirmer que nous devrions nous préparer à des logiciels plus intelligents que les humains (voir What Will It Take to Build a Virtuous IA ? ).
Pourtant, le détecteur de chat de Google était à certains égards une impasse. Les succès récents de l'apprentissage en profondeur reposent sur des logiciels qui ont besoin d'une aide humaine pour apprendre, ce qui limite jusqu'où l'intelligence artificielle peut aller.
L'expérience de Google a utilisé une approche connue sous le nom d'apprentissage non supervisé, dans laquelle le logiciel est alimenté en données brutes et doit comprendre les choses par lui-même sans aide humaine. Mais bien qu'il ait appris à reconnaître les chats, les visages et d'autres objets, il n'était pas assez précis pour être utile. L'essor de la recherche sur l'apprentissage en profondeur et les produits qui en découlent repose sur l'apprentissage supervisé, où le logiciel est fourni avec des données étiquetées par des humains, par exemple, des images étiquetées avec les noms des objets qu'elles représentent (voir Enseigner aux machines à nous comprendre ).
Cela s'est avéré incroyablement efficace pour de nombreux problèmes, tels que l'identification d'objets dans les images, le filtrage des spams et même la suggestion de réponses courtes à vos messages, une fonctionnalité introduite par Google l'année dernière . Mais l'apprentissage non supervisé est probablement nécessaire si les logiciels doivent continuer à mieux comprendre le monde, déclare Jeff Dean, qui dirige aujourd'hui le groupe Google Brain et a également travaillé sur le projet de détecteur de chat au sein de Google X.
Je suis presque sûr que nous en avons besoin, dit Dean. L'apprentissage supervisé fonctionne si bien lorsque vous disposez du bon ensemble de données, mais en fin de compte, l'apprentissage non supervisé sera un élément très important dans la construction de systèmes vraiment intelligents - si vous regardez comment les humains apprennent, c'est presque entièrement non supervisé.
Un exemple de cela est la façon dont nous apprenons en tant que nourrissons, établissant les bases de l'intelligence adulte. Par exemple, nous découvrons que les objets existent toujours lorsqu'ils sont hors de vue et tombent s'ils ne sont pas soutenus, et nous apprenons ces choses simplement en observant le monde, sans instruction explicite. Ce genre de bon sens est nécessaire si les robots doivent naviguer dans le monde aussi bien que les animaux. Il sous-tend également des tâches apparemment plus abstraites, telles que la compréhension du langage.
Selon Yann LeCun, directeur du groupe de recherche sur l'intelligence artificielle de Facebook, il est crucial de comprendre comment les logiciels peuvent faire ce qui vient si facilement aux bébés humains si l'on veut réaliser de plus grandes ambitions en matière d'intelligence artificielle. Nous savons tous que l'apprentissage non supervisé est la réponse ultime, dit-il. Résoudre l'apprentissage non supervisé nous amènera au niveau suivant.
Bien qu'ils n'aient pas encore cette réponse ultime, les chercheurs d'entreprises telles que Facebook et Google, et dans le milieu universitaire, expérimentent des formes limitées d'apprentissage non supervisé.
Un volet de la recherche vise à créer des réseaux de neurones artificiels qui ingèrent des vidéos et des images, puis génèrent de nouvelles images en utilisant les connaissances qu'ils ont acquises sur le monde, ce qui indique qu'ils ont formé une représentation interne de son fonctionnement. Faire des prédictions précises sur le monde est une caractéristique fondamentale importante de l'intelligence humaine.
Le visage humain 'optimal', selon un réseau de trois millions de neurones simulés que Google a alimenté en images de YouTube.
Les chercheurs de Facebook ont créé un logiciel appelé Cri des yeux qui peuvent générer des images reconnaissables à partir d'invites telles que l'église ou l'avion, et ils travaillent à la création d'un logiciel qui prédit ce qui se passera dans une vidéo. Des chercheurs de la filiale DeepMind de Google ont fait des logiciels qui regarde une photo avec certaines parties noircies et essaie de les remplir avec des images réalistes.
DeepMind teste également une alternative à l'apprentissage entièrement non supervisé appelée apprentissage par renforcement, dans lequel le logiciel est formé en recevant un retour automatique sur ses performances, par exemple, à partir du système de notation d'un jeu informatique (voir Intelligence Designer de Google). Et des chercheurs n'utilisant pas l'apprentissage en profondeur ont démontré un logiciel capable d'apprendre à reconnaître un caractère manuscrit sur la base d'un seul exemple (voir Cet algorithme d'IA apprend des tâches aussi vite que nous).
Pourtant, aucune de ces explorations n'a jusqu'à présent révélé une voie qui semble garantir un apprentissage non supervisé proche du niveau humain, ou un logiciel capable d'apprendre des choses complexes sur le monde réel simplement en l'expérimentant ou en l'expérimentant. En ce moment, il semble qu'il nous manque une idée clé, déclare Adam Coates, directeur du moteur de recherche chinois Laboratoire d'IA de la Silicon Valley de Baidu .
L'apprentissage supervisé a encore beaucoup à offrir pendant que la recherche se poursuit, dit Coates : les sociétés Internet ont accès à une multitude de données sur les choses que les gens font et qui intéressent, des matières premières qui peuvent être utilisées pour construire des choses comme des interfaces vocales et des assistants personnels. plus capables que ceux que nous avons aujourd'hui. À court terme, vous pouvez faire beaucoup avec des données étiquetées, dit-il. Les grandes entreprises dépensent des millions pour inciter les sous-traitants à étiqueter les données afin d'alimenter leurs systèmes d'apprentissage automatique.
LeCun de Facebook pense que les chercheurs ne seront pas obligés de subsister éternellement avec des données étiquetées. Mais il refuse de deviner combien de temps encore le moteur de l'intelligence humaine restera hors de portée des logiciels. Nous connaissons en quelque sorte les ingrédients; nous ne connaissons tout simplement pas la recette, dit-il. Ça peut prendre un moment.