Un modèle d'IA hybride lui permet de raisonner sur la physique du monde comme un enfant

Catégorie: Intelligence artificielle Posté 6 mars

Un nouvel ensemble de données révèle à quel point l'IA est mauvaise pour le raisonnement et suggère qu'une nouvelle approche hybride pourrait être la meilleure voie à suivre.

Question, question : Connu sous le nom de CLEVRER, l'ensemble de données se compose de 20 000 courts clips vidéo synthétiques et de plus de 300 000 paires de questions et réponses qui raisonnent sur les événements dans les vidéos. Chaque vidéo montre un monde simple d'objets jouets qui entrent en collision les uns avec les autres selon une physique simulée. Dans l'un, une balle en caoutchouc rouge frappe un cylindre en caoutchouc bleu, qui continue à frapper un cylindre en métal.

Les questions se répartissent en quatre catégories : descriptives (par exemple, quelle forme a l'objet qui entre en collision avec le cylindre cyan ?), explicatives (qu'est-ce qui est responsable de la collision du cylindre gris avec le cube ?), prédictives (quel événement se produira ensuite ?) , et contrefactuel (Sans l'objet gris, quel événement ne se produira pas ?). Les questions reflètent de nombreux concepts que les enfants apprennent très tôt lorsqu'ils explorent leur environnement. Mais les trois dernières catégories, qui nécessitent spécifiquement un raisonnement causal pour répondre, bloquent souvent les systèmes d'apprentissage en profondeur.

Échouer: L'ensemble de données, créé par des chercheurs de Harvard, DeepMind et du MIT-IBM Watson AI Lab, est destiné à aider à évaluer dans quelle mesure les systèmes d'IA peuvent raisonner. Lorsque les chercheurs testé plusieurs modèles de vision par ordinateur et de langage naturel de pointe avec l'ensemble de données, ils ont constaté que tous réussissaient bien sur les questions descriptives mais mal sur les autres.

Mélanger l'ancien et le nouveau : L'équipe a ensuite essayé un nouveau système d'IA qui combine à la fois l'apprentissage en profondeur et la logique symbolique. Les systèmes symboliques faisaient fureur avant d'être éclipsé par le machine learning à la fin des années 1980. Mais les deux approches ont leurs points forts : l'apprentissage en profondeur excelle dans l'évolutivité et la reconnaissance des modèles ; les systèmes symboliques sont meilleurs pour l'abstraction et le raisonnement.

Le système composite, connu sous le nom de modèle neuro-symbolique, exploite les deux : il utilise un réseau de neurones pour reconnaître les couleurs, les formes et les matériaux des objets et un système symbolique pour comprendre la physique de leurs mouvements et les relations causales entre eux. Il a surpassé les modèles existants dans toutes les catégories de questions.

Pourquoi est-ce important: En tant qu'enfants, nous apprenons à observer le monde qui nous entoure, à déduire pourquoi les choses se sont produites et à faire des prédictions sur ce qui se passera ensuite. Ces prédictions nous aident à prendre de meilleures décisions, à naviguer dans nos environnements et à rester en sécurité. La reproduction de ce type de compréhension causale dans les machines les équipera de la même manière pour interagir avec le monde de manière plus intelligente.