Ils ont développé des intelligences artificielles pour programmer… des intelligences artificielles


Contraintes par le nombre limité d’experts et motivées par une volonté d’améliorer les performances des intelligences artificielles, plusieurs équipes de chercheurs ont démontré que l’apprentissage machine peut-être automatisé pleinement, avec des résultats supérieurs à ceux obtenus par des IA développées par l’homme.

Loin des images de cyborgs menaçants qui piétinent les crânes mis à nu d’une humanité défaite, les intelligences artificielles se font de plus en plus présentes dans notre quotidien. En général pour notre bien. Les voitures autonomes, les systèmes de reconnaissance faciale, les assistants personnels, toutes ces petites ou grandes révolutions quotidiennes reposent sur des intelligences artificielles.

Une nouvelle approche…

Au cœur de chacun de ces efforts scientifiques se trouve le machine learning, l’apprentissage machine, des réseaux neuronaux animés par des logiciels complexes à développer, qui apprennent plus ou moins seuls en ingurgitant de grandes quantités de données.

Dernièrement, des chercheurs en intelligence artificielle de différents centres, comme celui de Google Brain ou du MIT, se sont essayés à une nouvelle voie. Développer une intelligence artificielle capable de développer des programmes pour former et entraîner d’autres intelligences artificielles.

… qui paie

Vertigineux, sans doute, inquiétant peut-être, mais pas dénué d’intérêt semble-t-il. D’autant que les résultats de certaines de ces expérimentations, rapportées par le MIT, sont plutôt concluants.

Ainsi, Barret Zoph et Quoc V. Le, du Google Brain, indiquent que le système de reconnaissance d’images qui a été développé par une intelligence artificielle dédiée a été plus efficace que ceux produits jusqu’à présent… par des humains.

Les recherches qui vont dans ce sens indiquent la même tendance, qu’il s’agisse d’expérimentations réalisées par l’institut OpenAI, financé par Elon Musk, le MIT, DeepMind ou encore l’Université de Berkeley.

Des promesses séduisantes

L’apprentissage machine automatisé, comme l’appelle les chercheurs, est porteur de nombreuses promesses. Outre des progrès des intelligences artificielles qui sous-tendent nombre de services que nous utilisons au quotidien, cela pourrait avoir pour avantage de permettre aux chercheurs de se concentrer sur des tâches plus complexes que le développement et l’entraînement des IA.
Une bonne chose quand on sait que les experts en intelligence artificielle sont forts demandés et pas assez nombreux pour mener à bien tous les projets que les géants de la high tech et des autres entreprises ont en tête.

En définitive, ce progrès pourrait permettre de déployer plus rapidement des améliorations liées aux intelligences artificielles à destination des utilisateurs.

Par ailleurs, cette solution automatisée pourrait avoir un autre impact positif. Selon un document co-publié par DeepMind (PDF) en fin d’année dernière, les programmes développés par les intelligences artificielles pourraient apprendre mieux et plus rapidement que ceux conçus par les humains.
Cela aurait pour effet direct de nécessiter des ensembles de données plus petits pour aboutir à des résultats aussi pertinents. Ce besoin de grandes quantités de datas est un des travers actuels du système. Pour que les intelligences artificielles soient opérationnelles, il leur faut des data sets colossaux, ce qui empêche leur utilisation dans certains domaines où les informations réunies ne sont pas assez nombreuses.

Ainsi, les chercheurs ont réussi à faire en sorte de que leurs IA soient capables d’entraîner leur propre programme avec moins de données en utilisant des ensembles provenant de différentes sources et concernant des problèmes liés mais différents.
Autrement dit, de manière schématique, l’intelligence artificielle est capable de repérer des critères communs ou suffisamment proches pour les généraliser et de s’en servir ensuite pour apporter une solution pertinente et efficace.

Encore un défaut

Cette idée de l’auto apprentissage, qui avait déjà été appliquée avec peu de succès dans les années 1990, sans doute parce que le deep learning était moins répandu, a toutefois une limite pour l’instant. Elle demande une puissance de calcul très importante.

Ainsi, les chercheurs de Google Brain précisent qu’il leur a fallu créer un réseau neuronal de 800 cartes graphiques ultra puissantes pour que leur intelligence artificielle obtienne un résultat aussi bon, voire meilleur que celui créée par des humains. La question du coût se pose donc fortement.

La question est désormais de savoir ce qui est le plus rentable. Investir dans des réseaux coûteux et performants ou savoir que des chercheurs rares perdent du temps à faire ce que des machines font aussi bien… ou mieux.

Sources : 01netMITRapport de Google Brain (PDF)


Vous aimerez aussi...

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *