Les algorithmes d'apprentissage intelligents de Numenta

Jeff Hawkins a l'habitude de prédire l'avenir. Fondateur de Palm et inventeur du PalmPilot, il a passé les années 1990 à parler d'un monde à venir dans lequel nous emporterions tous des ordinateurs puissants dans nos poches. Personne n'y croyait à l'époque, les gens pensaient que j'étais fou, dit-il. Bien sûr, je suis ravi du succès de l'informatique mobile aujourd'hui.

Et après: Inventeur du PalmPilot dans les années 1990, Jeff Hawkins a maintenant développé un nouvel ensemble d'algorithmes prédictifs inspirés du fonctionnement du néocortex, le centre de planification du cerveau.

Dans son entreprise actuelle, Numenta , Hawkins travaille sur une autre idée qui semble sortir du champ gauche : copier le fonctionnement de notre propre cerveau pour créer un logiciel qui prend des décisions précises et instantanées pour les entreprises d'aujourd'hui inondées de données. Lui et son équipe travaillent sur leurs algorithmes depuis 2005 et se préparent enfin à sortir une version prête à être utilisée dans les produits. La technologie de Numenta est destinée à une variété d'applications, telles que juger si une transaction par carte de crédit est frauduleuse, anticiper sur ce qu'un internaute cliquera ensuite ou prédire la probabilité qu'un patient hospitalier particulier fasse une rechute.

Ce que ces exemples ont en commun, c'est qu'ils contiennent des modèles complexes qui évoluent avec le temps, explique Hawkins. Les algorithmes peuvent analyser et extrapoler à partir de ces modèles car ils empruntent des techniques à des parties du cerveau humain qui ont évolué pour interpréter des données complexes provenant de nos sens et les utiliser pour prédire ce qui pourrait arriver.

Certaines entreprises mettent déjà à l'épreuve la dernière approche de Numenta. Sm4rt Security Services, une entreprise de sécurité informatique basée à Mexico, est l'un d'entre eux. Nous avons été embauchés par l'une des plus grandes banques du monde pour prouver que cette nouvelle technologie était capable de prévenir la fraude par carte, a déclaré le PDG Victor Chapela. En seulement trois mois, nous avons réussi à égaler la précision des systèmes existants, développés depuis 25 ans.

La banque déploiera un vérificateur de fraude basé sur Numenta parallèlement à ses mesures existantes dans le courant de l'année prochaine, a-t-il déclaré. La banque subit plus de 100 millions de dollars de fraude chaque année, dit-il, donc tout ce qui peut en réduire une fraction a un retour sur investissement très rapide.

La technologie de Numenta est attrayante pour les banques car sa capacité à tirer des enseignements des données précédentes permet de contourner une limite cruciale de la technologie de prévention de la fraude. Le système informatique d'une banque n'a que 10 millisecondes pour décider d'autoriser ou non une transaction, explique Chapela : il n'y a tout simplement pas le temps de rechercher les transactions passées d'une personne. En conséquence, les transactions sont généralement divisées en catégories étroitement définies et jugées selon des règles spécifiques à chacune d'entre elles, des règles liées à des caractéristiques telles que le type de carte, le montant facturé et le type de commerçant.

Mais la technologie de Numenta rend ces ensembles de règles distincts inutiles. Au lieu de cela, un flux brut des habitudes de dépenses de chaque personne est utilisé pour former un ensemble d'algorithmes afin qu'ils puissent apprendre les habitudes de ce client. À tout moment, le système a une représentation intériorisée des événements passés qu'il utilise pour prédire quels types de transactions sont susceptibles de se produire ensuite. Si une nouvelle transaction ne correspond pas à ces attentes, elle peut être signalée comme une fraude potentielle. Dans cette approche, les détecteurs de fraude sont toujours à jour, explique Chapela. Un système analytique traditionnel, d'autre part, doit avoir ses règles mises à jour dans un processus laborieux qui n'est généralement entrepris qu'une fois tous les six mois.

L'inspiration de Hawkins pour la technologie sous-jacente vient du néocortex, la couche externe ridée de notre cerveau qui est responsable d'activités telles que la parole, le mouvement et la planification. Étonnamment, ces capacités très différentes émergent d'une architecture commune de neurones, plutôt que de différents groupes de neurones dotés de caractéristiques très spécifiques.

Hawkins a emprunté cette idée d'une architecture commune. Nous utilisons des sources primaires sur la neuroscience de cela comme guide, il y a donc une énorme quantité de biologie là-dedans, dit-il. Les algorithmes simulent les différentes couches de neurones qui traitent l'information dans le néocortex. La couche inférieure reçoit les données d'entrée brutes, puis transmet une version traitée et condensée à la couche d'algorithmes suivante. Au fur et à mesure que l'information monte dans ce modèle hiérarchique, elle devient abstraite de l'original et les caractéristiques les plus saillantes sont extraites, dit Itamar Arel , qui travaille sur l'apprentissage automatique à l'Université du Tennessee.

La capacité du système à faire des prédictions sur le déroulement des événements est enracinée dans sa capacité unique à traiter des données temporelles ou dépendantes du temps. Les logiciels d'apprentissage conventionnels ne peuvent pas faire cela, car ils ne peuvent pas gérer les entrées composées de nombreuses variables qui changent au fil du temps. Au lieu de cela, les ingénieurs doivent généralement extraire la poignée de variables qu'ils jugent utiles et les intégrer aux algorithmes.

Ce prétraitement n'est pas nécessaire dans les modèles inspirés des études sur les cerveaux biologiques, dit Arel. Au lieu de cela, le système d'apprentissage peut décider par lui-même ce qui est important et ce qui ne l'est pas. Il s'agit d'un domaine émergent appelé apprentissage automatique profond. Cependant, la plupart des efforts universitaires se concentrent sur le traitement des images, dit-il. Ce qui est unique à propos de Numenta, c'est qu'il est capable de gérer des données temporelles, ce qui ouvre différents types d'applications. Parmi les exemples envisagés par Hawkins : les entreprises pourraient mieux analyser la parole humaine ou les modèles d'utilisation de l'électricité dans les bâtiments.

Mais alors que cette approche ouvre la perspective de systèmes capables d'apprendre tout type de données plutôt que d'être spécialisés dans une seule tâche, Numenta doit encore prouver que sa technologie est largement applicable et rentable. On ne sait pas non plus comment l'entreprise mettra la technologie sur le marché, mais ce sera probablement sous la forme d'outils de développement plutôt que de produits standard. Maintenant que la technologie fonctionne vraiment, dit Hawkins, l'année prochaine nous verra passer en mode développement de produits.

cacher