L’intelligence artificielle vous rendra plus intelligent

L’avenir ne sera créé ni par les humains ni par les machines, mais par les deux, travaillant ensemble. Les technologies basées sur le fonctionnement du cerveau humain augmentent déjà les capacités de chacun et ne feront que gagner en influence à mesure que la société s’habitue à ces machines de plus en plus performantes.

Les optimistes de la technologie ont envisagé un monde où la productivité humaine et la qualité de vie sont en hausse alors que les systèmes d’intelligence artificielle prennent le relais de la corvée de la vie et l’administrent au bénéfice de tous. Les pessimistes, quant à eux, ont averti que ces progrès pourraient entraîner des pertes d’emplois et des pertes de vies humaines. Et les alarmistes craignent que l’IA finisse par rendre les êtres humains obsolètes.

Cependant, les gens ne sont pas très doués pour imaginer l’avenir. Ni l’utopie ni le jugement dernier ne sont probables. Dans mon nouveau livre, “The Deep Learning Revolution“, mon but était d’expliquer le passé, le présent et l’avenir de ce domaine en pleine croissance de la science et de la technologie. Ma conclusion est que l’IA vous rendra plus intelligent, mais d’une manière qui vous surprendra.

Reconnaître les modèles

L’apprentissage profond (deep learning) est la partie de l’intelligence artificielle qui a le plus progressé dans la résolution de problèmes complexes comme l’identification d’objets dans les images, la reconnaissance de la parole de plusieurs locuteurs et le traitement du texte tel qu’il est parlé ou écrit. L’apprentissage profond s’est également avéré utile pour identifier des modèles dans les ensembles de données de plus en plus volumineux qui sont générés par les capteurs, les dispositifs médicaux et les instruments scientifiques.

Le but de cette approche est de trouver comment un ordinateur peut représenter la complexité du monde et généraliser à partir d’expériences antérieures – même si ce qui se passe ensuite n’est pas exactement la même chose qu’avant. Tout comme une personne peut identifier qu’un animal spécifique qu’elle n’a jamais vu auparavant est en fait un chat, les algorithmes d’apprentissage profond peuvent identifier des aspects et extraire ces attributs à partir des nouvelles images de chats.

Les systèmes d’apprentissage profond peuvent dire lequel est un chat.

Les méthodes d’apprentissage profond sont basées sur les mêmes principes que ceux qui animent le cerveau humain. Par exemple, le cerveau traite beaucoup de données de différentes sortes dans de nombreuses unités de traitement en même temps. Les neurones ont de nombreux liens les uns avec les autres, et ces liens se renforcent ou s’affaiblissent en fonction de leur degré d’utilisation, établissant des associations entre les apports sensoriels et les résultats conceptuels.

Le réseau d’apprentissage profond le plus réussi est basé sur les recherches des années 1960 sur l’architecture du cortex visuel, une partie du cerveau que nous utilisons pour voir, et sur les algorithmes d’apprentissage qui ont été inventés dans les années 1980. À l’époque, les ordinateurs n’étaient pas encore assez rapides pour résoudre les problèmes du monde réel. Mais maintenant, ils le sont.

De plus, les réseaux d’apprentissage ont été superposés, créant des réseaux de connexions plus proches de la hiérarchie des couches du cortex visuel. Cela s’inscrit dans le cadre d’une convergence entre l’intelligence artificielle et l’intelligence biologique.

Un réseau de neurones à quatre couches accepte les entrées de gauche, passe la sortie de la première couche à la couche suivante, à la suivante et suivante – avant de délivrer une sortie.

Apprentissage profond dans la vie réelle

L’apprentissage profond augmente déjà les capacités humaines. Si vous utilisez les services de Google pour effectuer des recherches sur le Web, ou si vous utilisez ses applications pour traduire d’une langue à une autre ou pour transformer la parole en texte, la technologie vous a rendu plus intelligent ou plus efficace. Récemment, lors d’un voyage en Chine, un ami a parlé anglais dans son téléphone Android, qui l’a traduit en chinois parlé pour un chauffeur de taxi – tout comme le traducteur universel dans “Star Trek”.

Ces systèmes et bien d’autres sont déjà à l’œuvre, vous aidant dans votre vie quotidienne, même si vous ne les connaissez pas. Par exemple, l’apprentissage profond commence à prendre le relais de la lecture des images radiographiques et des photographies des lésions cutanées pour la détection du cancer. Votre médecin local sera bientôt en mesure de déceler les problèmes qui ne sont évidents aujourd’hui que pour les meilleurs experts.

Même si vous savez qu’il y a une machine en cause, vous ne comprendrez peut-être pas la complexité de ce qu’ils font réellement : Derrière Alexa d’Amazon se cache une multitude de réseaux d’apprentissage profond qui reconnaissent votre demande, examinent les données pour répondre à vos questions et prennent des mesures en votre nom.

Faire progresser l’apprentissage

L’apprentissage en profondeur s’est avéré très efficace pour résoudre les problèmes de reconnaissance des formes, mais pour aller plus loin, il faut d’autres systèmes cérébraux. Lorsqu’un animal est récompensé pour une action, il est plus susceptible de prendre des mesures semblables à l’avenir. Les neurones dopaminergiques des ganglions de la base du cerveau signalent la différence entre les récompenses attendues et les récompenses reçues, appelée erreur de prédiction de récompense, qui est utilisée pour modifier la force des connexions dans le cerveau qui prédisent les récompenses futures.

Le couplage de cette approche, appelée apprentissage de renforcement, avec l’apprentissage approfondi peut donner aux ordinateurs le pouvoir d’identifier des possibilités inattendues. En reconnaissant un modèle et en y réagissant d’une manière qui rapporte des récompenses, les machines peuvent approcher des comportements à l’instar de ce qu’on pourrait appeler la créativité humaine. C’est grâce à cette approche couplée que DeepMind a développé un programme appelé AlphaGo qui, en 2016, a battu le grand maître Lee Sedol et l’année suivante le champion du monde de Go, Ke Jie.

Les jeux ne sont pas aussi désordonnés que le monde réel, qui est rempli d’incertitudes changeantes. Massimo Vergassola de l’Université de Californie, San Diego, et moi-même avons récemment utilisé le renforcement pour apprendre à un planeur sur le terrain à voler comme un oiseau dans des thermiques turbulents. Des capteurs peuvent être attachés à des oiseaux réels pour vérifier s’ils utilisent les mêmes repères et répondent de la même façon.

Malgré ces succès, les chercheurs ne comprennent pas encore parfaitement comment l’apprentissage profond résout ces problèmes. Bien sûr, nous ne savons pas non plus comment le cerveau les résout.

Bien que les mécanismes internes du cerveau puissent demeurer insaisissables, ce n’est qu’une question de temps avant que les chercheurs n’élaborent une théorie de l’apprentissage profond. La différence, c’est que lorsqu’ils étudient les ordinateurs, les chercheurs ont accès à toutes les connexions et à tous les modèles d’activité du réseau. Le rythme des progrès est rapide, les articles de recherche paraissant quotidiennement sur arXiv. Des avancées surprenantes sont attendues avec impatience en décembre prochain à la conférence Neural Information Processing Systems à Montréal, où 8 000 billets ont été vendus en 11 minutes, laissant 9 000 personnes sur la liste d’attente.

Il y a encore beaucoup de chemin à parcourir avant que les ordinateurs n’atteignent l’intelligence humaine générale. Le plus grand réseau d’apprentissage profond n’a aujourd’hui que la puissance d’un morceau de cortex neural humain de la taille d’un grain de riz. Et nous ne savons pas encore comment le cerveau organise dynamiquement les interactions entre les grandes régions du cerveau.

La nature a déjà ce niveau d’intégration, créant des systèmes cérébraux à grande échelle capables de faire fonctionner tous les aspects du corps humain tout en réfléchissant à des questions profondes et en accomplissant des tâches complexes. En fin de compte, les systèmes autonomes peuvent devenir aussi complexes, rejoignant la myriade de créatures vivantes sur notre planète.

Source : The Conversation – Traduit par Anguille sous roche