Qu'est-ce que le Deep
Learning (apprentissage
en profondeur) ?
Nous examinons le phénomène derrière certaines des IA les plus avancées d'aujourd'hui.
L'apprentissage en profondeur fait référence
à une technique de création d'intelligence artificielle (IA) à l'aide d'un réseau de neurones en couches, un peu comme une
réplique simplifiée du cerveau humain.
Il s'inscrit dans une famille plus large de techniques
d'apprentissage automatique qui visent à apprendre à une machine à analyser des
données en fonction de ses propres déterminations, plutôt que d'utiliser des
algorithmes prédéfinis construits par des humains pour une tâche spécifique.
Les méthodes d'apprentissage en
profondeur sont vaguement basées sur le
néocortex du cerveau, organisant les nœuds analytiques dans une série de voies
pour que les données circulent entre elles, les connectant essentiellement dans
un réseau de nœuds en couches bien qu'il soit incapable de répliquer
complètement la série complexe de plusieurs - des connexions en couches qui
font du cerveau un ordinateur si puissant.
Les capacités analytiques fournies par cette méthode contribuent à
alimenter des technologies futuristes telles que les voitures sans conducteur,
en les aidant à reconnaître les panneaux de signalisation ou à différencier les
objets sur leur chemin.
Les modèles d'apprentissage en
profondeur peuvent atteindre des niveaux de
précision élevés, dépassant parfois les performances au niveau humain, et sont
généralement entraînés à l'aide d'un grand ensemble d'architectures de données
étiquetées et de réseaux neuronaux qui contiennent de nombreuses couches.
Apprentissage profond, IA et ses classifications
L'idée de l'IA n'est pas nouvelle. En fait, il existe des enregistrements d'intelligence artificielle datant du 18ème
siècle, avec la menace que les machines deviennent aussi intelligentes que les
humains (ou plus) largement popularisées dans des films tels que 2001 : A Space
Odyssey et The Terminator.
Mais ces concepts ne sont plus des idées capturées uniquement dans
les films. Ils font de plus en plus partie de la vie quotidienne et, avec
l'introduction de technologies telles que les chatbots et applications
super intelligents, il pourrait arriver un moment où l'intelligence artificielle surpasse
l'intelligence humaine et ce n'est pas trop loin dans le futur.
Le terme « intelligence artificielle » est utile pour décrire l'idée large des machines qui pensent par
elles-mêmes, mais, en réalité, c'est un terme beaucoup trop vague lorsque nous
commençons à regarder la technologie. L'intelligence artificielle elle-même peut être divisée en deux domaines d'études distincts :
l'intelligence artificielle générale
et l'intelligence artificielle étroite
(ou appliquée).
L'IA générale, comme son nom l'indique, fait référence à l'étude
et à la conception de systèmes capables d'exécuter n'importe quelle tâche qu'un
humain serait autrement capable d'accomplir.
C'est peut-être l'interprétation la plus courante de l'IA et celle qui cause le plus
d'hystérie, compte tenu des craintes autour de l'automatisation de masse
et de la montée en puissance des robots tueurs. Comme vous l'avez peut-être
déjà réalisé, le succès dans ce domaine a été assez limité à ce jour.
L'IA étroite, en revanche, a beaucoup plus de succès. Plutôt que
de se concentrer sur la construction d'un système capable d'imiter un humain en
général, ce domaine se penche sur la construction de machines capables
d'exécuter une tâche spécifique ou un ensemble de tâches bien mieux que
n'importe quel humain.
Une application concrète de cette technologie est Replika,
un chatbot conçu par la société d'IA basée à San Francisco Luka, ainsi que son prédécesseur, Roman,
du nom de l'entrepreneur biélorusse Roman Mazurenko.
Mazurenko, qui était un ami proche de la cofondatrice de Luka, EugenIA Kuyda, est décédé à
la suite d'un délit de fuite à Moscou en 2015.
Afin d'honorer sa mémoire et d'aider ses amis et sa famille à
souffrir de la mort subite, Kuyda a décidé de développer un chatbot qui
répondrait aux messages dans le même style que Mazurenko quand il était encore
en vie - y compris ses souvenirs, son sens de l'humour et même les fautes
d'orthographe causées par sa dyslexie.
Cela a été fait en obligeant le chatbot à analyser les
données, y compris les messages de Mazurenko et les interactions sur les
réseaux sociaux des quatre années précédant son décès.
Sans surprise, le concept de commémoration du défunt à l'aide d'une
IA profonde a également été exploré
dans les médias. Quelques années avant le décès de Mazurenko et la création du chatbot
romain, un scénario similaire a été décrit dans un épisode d'une populaire
émission de télévision américaine Black Mirror, dans laquelle une femme
s'occupe de la mort de son défunt petit ami en communiquant avec un androïde
qui avait été créé pour lui ressembler.
En fait, Kuyda avait regardé l'épisode, intitulé Be Right Back, et
a admis l'avoir utilisé comme source d'inspiration pour créer le chatbot
romain. À l'instar d'autres technologies d'IA telles que la reconnaissance faciale, le concept soulève
des questions importantes sur l'éthique de cette innovation, ainsi que sur la
relation de la société avec la mort, en particulier prématurée.
Certes, c'est un exemple assez macabre, mais cela montre que si l'IA étroite n'a pas nécessairement les
mêmes ambitions que l'IA générale, et bien qu'elle ne soit certainement pas aussi
avancée que les robots tueurs des rêves de science-fiction, elle n'en a pas
moins aidé à se reproduire certains degrés d'intelligence humaine.
Cela a été largement possible grâce à l'apprentissage automatique.
Plutôt que des machines ne copiant que les actions des humains avec des
instructions prédéfinies, des algorithmes construits avec des principes
d'apprentissage automatique sont utilisés pour former des systèmes d'IA étroits à apprendre des
données qu'ils traitent.
Par exemple, dans le cas d'un système essayant d'identifier une
image d'un ballon d'anniversaire, une machine peut apprendre à utiliser des
routines prédéfinies, telles qu'une pour détecter des formes, une pour
identifier des nombres et une autre pour analyser des couleurs.
Dans les premiers modèles d'apprentissage automatique, le
système utilisait ces routines codées par l'homme et développait des
algorithmes pour l'aider à apprendre à identifier correctement les objets.
Bien que cela ait certainement été révolutionnaire pour le développement
de l'IA, des failles dans le modèle sont
rapidement apparues. Le plus gros problème était l'utilisation de routines
d'analyse prédéfinies, qui nécessitaient beaucoup trop d'entrées humaines en
cours de route. Il y avait également des problèmes concernant les photos
difficiles à traiter, comme des visages ou des objets flous.
Définition de l'apprentissage profond
Les modèles se sont inspirés de notre compréhension du cerveau
humain, ce que l'on appelle aujourd'hui l'apprentissage en profondeur.
Le terme « profond » fait référence à la construction
d'un réseau de neurones en couches, ressemblant au maillage de neurones
interconnectés qui se trouvent dans le cerveau.
Contrairement au cerveau, qui agit comme un où n'importe quel
neurone est capable de parler à n'importe quel autre réseau 3D neurone
dans son voisinage, ces réseaux artificiels opèrent une structure à plusieurs
niveaux, avec couche après couche de chemins connectés pour permettre aux
données de circuler. Une technique appelée rétropropagation ajuste le
poids entre les nœuds de ces réseaux pour garantir qu'un point de données
entrant mène à la bonne sortie.
Les chercheurs voulaient recréer le processus d'analyse sophistiqué
du cerveau. Chaque couche est conçue non seulement pour analyser les données,
mais également pour fournir un contexte supplémentaire à chaque fois. Au fur et
à mesure que l'objet traverse chaque couche, une image plus précise et une
compréhension de celui-ci deviennent possibles.
Dans l'exemple du ballon, l'image sera décomposée en ses parties
constituantes, que ce soit sa couleur, toute numérotation ou lettrage sur sa
surface, la forme qu'elle tient et si elle est tenue ou volée dans les airs.
Chaque partie est ensuite analysée par la première couche de neurones, un jugement
est fait et il est transmis à la couche suivante.
Cela pourrait fonctionner particulièrement bien dans la lutte
contre la fraude. Par exemple, un système pourrait être conçu pour identifier
une activité de compte frauduleuse, impliquant des réseaux neuronaux qui
prennent d'abord des données brutes, puis ajoutent des informations
contextuelles lors de leur passage, telles que des valeurs de transaction et
des données de localisation.
Alors que certains réseaux peuvent ne comporter que quelques
couches, certains programmes, dont AlphaGo de Google - qui a
réussi à vaincre un joueur champion du jeu de société chinois Go
en 2016 - en ont des centaines. Naturellement, cela nécessite une grande
puissance de calcul, et bien que les réseaux de neurones aient toujours été une
ambition pour les premiers pionniers de l'IA jusqu'à récemment, ils sont restés irréalisables.
L'apprentissage en profondeur aujourd'hui
La plupart des systèmes d'apprentissage automatique les plus
avancés d'aujourd'hui utilisent un réseau neuronal pour traiter les données.
Les récents succès dans l'industrie des voitures sans conducteur ont été rendus
possibles grâce à l'apprentissage profond, tandis que les principes sont
également en cours de déploiement dans les secteurs de la défense et de
l'aérospatiale afin d'identifier les objets depuis l'espace.
Bien que le potentiel de l'apprentissage en profondeur soit vaste, il
présente des limites lorsqu'il s'agit de tâches plus humaines. L'apprentissage en
profondeur excelle dans la reconnaissance de
formes, comme les règles complexes mais fixes de Go. Mais les chercheurs
soulignent la grande quantité de données d'entraînement nécessaires pour
enseigner à une machine uniquement un ensemble spécifique de règles.
La reconnaissance de formes est peut-être le plus illustré dans l'IA de conversation, avec l'apprentissage en
profondeur servant de réseau de soutien. Les
entrées multimodales, y compris les capacités vocales et de reconnaissance,
sont traitées parallèlement aux sorties multimodales telles que les images et
les voix synthétisées.
Des entreprises de Starbucks à Apple déploient cette
intelligence, offrant aux clients la possibilité de passer des commandes via
leurs applications via des commandes vocales et la facilité de se connecter à
leurs appareils avec la vue seule.
Au stade actuel de développement, il ne semble pas possible pour l'apprentissage
profond d'exécuter les mêmes processus de pensée élaborés et
adaptatifs que les humains, cependant, la technologie continue d'évoluer à un
rythme assez rapide.
L'apprentissage en profondeur de demain
L'apprentissage en profondeur ne donnera
peut-être pas lieu à des robots tueurs de sitôt, mais cela ne veut pas dire
qu'il ne modifiera pas fondamentalement des aspects de la société d'une autre
manière.
Le groupe de recherche Google Brain a démontré comment son intelligence artificielle d'apprentissage en
profondeur pensait d'elle-même. Sans spécifier
de paramètres expérimentaux pour l'identification des chats, des millions de
chats ont été proposés au « Google Brain » et le réseau a réussi à
identifier les images sans l'aide de données étiquetées.
Identifier les chats peut sembler rudimentaire, mais il n'est pas
difficile de voir comment une telle percée pourrait être mise à profit de
manière plus pratique.
En médecine, l'apprentissage en profondeur est comparable
à l'expertise humaine lorsqu'il s'agit d'interpréter des images médicales.
L'étude, menée par l'Université de Birmingham, pourrait ouvrir la voie à l'IA pour qu'elle joue un plus grand
rôle dans le domaine médical à l'avenir, en allégeant la pression sur les
ressources et en permettant aux médecins de passer plus de temps avec les
patients.
Le domaine le plus passionnant où l'apprentissage profond est
présenté comme un tremplin possible vers la découverte est peut-être le cosmos.
Des chercheurs de l'université de l'ETH Zurich ont récemment publié un article
dans lequel ils ont utilisé des réseaux de neurones pour étudier la matière
noire.
Par rapport au télescope Hubble, l'apprentissage en profondeur s'est avéré
fournir des valeurs 30% plus précises lors de la décomposition des composites
de l'univers, répartissant la matière baryonique, la matière noire et l'énergie
noire. Les chercheurs ont conclu en affirmant que l'apprentissage en profondeur est une
perspective prometteuse pour l'analyse des données cosmologiques à l'avenir.
Ce qui est certain, c'est qu'avec le financement injecté dans l'IA, le Pentagone a alloué près d'un
milliard de dollars à l'IA pour 2020 et en particulier aux études de recherche sur l'apprentissage en
profondeur, leur influence ne fera que
croître.
SOURCE : Ici.
Commentaires
Enregistrer un commentaire