Un concept en psychologie aide l'IA à mieux naviguer dans notre monde

Catégorie: Intelligence artificielle Posté 17 juil.

Le concept: Quand on regarde une chaise, peu importe sa forme et sa couleur, on sait qu'on peut s'asseoir dessus. Lorsqu'un poisson est dans l'eau, quel que soit son emplacement, il sait qu'il peut nager. C'est ce qu'on appelle la théorie de l'affordance, un terme inventé par le psychologue James J. Gibson. Elle affirme que lorsque les êtres intelligents regardent le monde, ils perçoivent non seulement les objets et leurs relations, mais aussi leur possibilités . En d'autres termes, la chaise offre la possibilité de s'asseoir. L'eau offre la possibilité de se baigner. La théorie pourrait expliquer en partie pourquoi l'intelligence animale est si généralisable - nous savons souvent immédiatement comment nous engager avec de nouveaux objets parce que nous reconnaissons leurs affordances.

L'idée: Les chercheurs de DeepMind utilisent maintenant ce concept pour développer une nouvelle approche de l'apprentissage par renforcement . Dans l'apprentissage par renforcement typique, un agent apprend par essais et erreurs, en partant de l'hypothèse que toute action est possible. Un robot apprenant à se déplacer d'un point A à un point B, par exemple, supposera qu'il peut se déplacer à travers les murs ou les meubles jusqu'à ce que des échecs répétés lui disent le contraire. L'idée est que si le robot apprenait d'abord les affordances de son environnement, il éliminerait immédiatement une fraction importante des essais ratés qu'il devrait effectuer. Cela rendrait son processus d'apprentissage plus efficace et l'aiderait à se généraliser dans différents environnements.

Les expériences : Les chercheurs ont mis en place un scénario virtuel simple. Ils ont placé un agent virtuel dans un environnement 2D avec un mur au milieu et ont demandé à l'agent d'explorer son amplitude de mouvement jusqu'à ce qu'il ait appris ce que l'environnement lui permettrait de faire : ses affordances. Les chercheurs ont ensuite donné à l'agent un ensemble d'objectifs simples à atteindre grâce à l'apprentissage par renforcement, comme se déplacer d'une certaine quantité vers la droite ou vers la gauche. Ils ont constaté que, par rapport à un agent qui n'avait pas appris les affordances, il évitait tout mouvement qui le ferait bloquer par le mur à mi-chemin de son mouvement, le mettant en place pour atteindre son objectif plus efficacement.

Pourquoi est-ce important: Le travail en est encore à ses débuts, les chercheurs n'ont donc utilisé qu'un environnement simple et des objectifs primitifs. Mais leur espoir est que leurs expériences initiales aideront à jeter les bases théoriques pour étendre l'idée à des actions beaucoup plus complexes. À l'avenir, ils voient cette approche permettre à un robot d'évaluer rapidement s'il peut, par exemple, verser du liquide dans une tasse. Ayant développé une compréhension générale des objets offrant la possibilité de contenir du liquide et de ceux qui ne le permettent pas, il n'aura pas à manquer à plusieurs reprises la tasse et à verser du liquide sur toute la table pour apprendre à atteindre son objectif.