Les malheurs d'Uber montrent la difficulté de commercialiser l'IA

Les efforts d'Uber pour garder une longueur d'avance sur la concurrence en investissant massivement dans la robotique et la recherche sur l'IA montrent des signes de difficulté.

Ces derniers mois, Uber a perdu plusieurs membres seniors de son Advanced Technologies Group, un projet de voiture autonome dont le siège est à Pittsburgh. Et le chef de son nouveau laboratoire d'IA, Gary Marcus, a également démissionné de son poste après seulement quelques mois à la tête. Celles-ci font partie d'un tableau plus large qui met en évidence les défis liés à la commercialisation d'une technologie qui reste extrêmement complexe et de pointe.

Uber a créé son laboratoire d'IA en décembre après avoir acquis Geometric Intelligence, une startup dirigée par Marcus, un scientifique cognitif de l'Université de New York. Marcus, qui reste conseiller sur l'IA auprès d'Uber, discutera des défis qui subsistent dans l'intelligence artificielle aujourd'hui à EmTech Digital, une conférence organisée par Examen de la technologie MIT.

Le plus récent revers d'Uber est survenu la semaine dernière, lorsqu'il a été contraint d'arrêter les tests de ses véhicules autonomes en Arizona après qu'une voiture a été impliqué dans un accident avec un autre véhicule. Rien n'indique encore que la voiture autonome soit en faute.

Comme Marcus l'expliquera, rendre les ordinateurs aussi intelligents que les humains dans des situations critiques comme la conduite automobile reste un formidable défi. Les voitures autonomes ne peuvent pas encore réagir à toute éventualité qu'elles pourraient rencontrer sur la route, et elles nécessitent d'énormes quantités de données pour apprendre.

Uber s'est précipité pour développer des véhicules automatisés de peur que la technologie ne perturbe facilement l'industrie du taxi. L'entreprise s'est rapidement mise à niveau et dispose de voitures autonomes sur les routes de plusieurs villes. Mais comme Examen de la technologie MIT découverts, ces systèmes ne fonctionnent pas encore parfaitement, même dans des situations de conduite ordinaires.

Il y a aussi des défis d'ingénierie importants. Par exemple, il n'est pas clair comment faire en sorte que les voitures autonomes fassent face à des capteurs dégradés, ou comment des systèmes actifs comme le lidar, un type de système laser, pourraient interférer les uns avec les autres si de nombreuses voitures autonomes étaient sur les routes ( voir Ce que vous devez savoir avant de monter dans une voiture autonome ).

Marcus a été un critique virulent de ce qu'il considère comme une dépendance excessive à l'égard des approches d'apprentissage automatique basées sur les réseaux de neurones dans l'intelligence artificielle. Il a fondé Geometric Intelligence, en 2014, pour explorer des approches alternatives (voir Can This Man Make AI More Human? ).

Entre autres choses, l'intelligence géométrique a cherché à trouver des moyens plus efficaces pour que les machines apprennent. Alors qu'un humain peut apprendre à reconnaître un nouveau panneau de signalisation très rapidement, un ordinateur nécessite plusieurs milliers d'exemples utilisant les meilleures approches d'apprentissage automatique d'aujourd'hui.

D'autres entreprises travaillant sur la conduite automatisée ont également constaté des progrès plus lents qu'elles ne l'auraient espéré. Google a créé une société, appelée Waymo, à partir de son projet de voiture autonome, mais sa technologie n'est pas encore disponible dans le commerce.

cacher