Sans le deep learning, la révolution actuelle de l’intelligence artificielle n’existerait sans doute pas. Pourtant, aussi puissant que soient ces algorithmes, la méthode souffre d’un défaut : il faut du temps et beaucoup de données pour qu’une intelligence artificielle apprenne. Ainsi, des milliers de photos et de vidéos de chats sont nécessaires pour qu’une IA reconnaisse avec un taux satisfaisant d’erreur un félin. Il faudra à l’intelligence artificielle retenir la taille, la forme, la texture, l’éclairage et mémoriser les positions possibles d’un chat pour en distinguer un à coup sûr.
De son côté et schématiquement, l’humain apprend en établissant une « idée » de ce qu’est un chat. C’est-à-dire qu’il apprend à percevoir un ensemble de critères qu’on retrouve à chaque fois mais qui ne l’empêcheront pas de discerner un chaton si certains de ces éléments sont absents.
Gagner du temps et nécessiter moins de données…
Gamalon, une start-up bostonienne, vient d’annoncer une nouvelle approche de l’apprentissage des intelligences artificielles, qui permet aux machines d’imiter notre façon d’apprendre et de se passer de la présence d’humains pour superviser cette phase habituellement longue et fastidieuse.
Le résultat est à la fois un gain de temps et un besoin moindre en données pendant l’apprentissage. Pour réussir cette prouesse, la jeune société recourt à une technologie appelée Bayesian Program Synthesis.
D’après Gamalon, cela permet à une machine de « raisonner à un niveau conceptuel » en utilisant un cadre mathématique qui permet d’affiner des prédictions en fonction d’expériences tirées du monde réel.
Les ingénieurs de Gamalon précisent qu’ils utilisent une programmation qui va recourir à des probabilités plutôt qu’à des variables spécifiques afin de construire un modèle prédictif qui permettra de comprendre et d’expliquer un ensemble de données. Ainsi, l’algorithme probabiliste peut déterminer qu’un chat a de fortes chances d’avoir des oreilles, des moustaches et une queue.
… pour utiliser moins de puissance
Mieux encore, la solution de Gamalon permet à l’ordinateur d’écrire et de modifier dynamiquement le programme bayésien. Ainsi, un logiciel de dessin est capable d’apprendre à reconnaître des objets et à les dessiner ensuite, annonce Ben Vigoda, fondateur de la jeune pousse. Plus impressionnant, l’intégralité du logiciel en question, qui sert actuellement de démonstration à la start-up, tourne sur une tablette et non sur un supercalculateur.
Entre le temps gagné pendant la période d’apprentissage et la possibilité pour l’intelligence artificielle de réécrire une partie de son code afin de s’adapter à différents usages et situations, il est clair que la programmation probabiliste telle qu’envisagée par Gamalon offre un potentiel incroyable.
Cela pourrait simplifier la vie des chercheurs et des entreprises qui n’auront plus à travailler longuement à l’affinement des modèles d’apprentissage, ni au développement de tous les modules de leur intelligence artificielle pour répondre à leurs besoins puisque des modules déjà conçus peuvent être réutilisés et ajustés. C’est en tout cas ce qu’indique la théorie.
De multiples cas d’usages ?
Gamalon propose d’ores et déjà deux produits utilisant sa technologie. L’un d’eux, Gamalon Structure, permet à une intelligence artificielle de reconnaître des « concepts » dans des contenus textuels. On parle ici de ressemblances fortes et probables. Par exemple, si on lui soumet une liste d’inventaires de magasin – qui n’a pas été retravaillée manuellement et libellée spécifiquement, ce qui est une des tâches lourdes de la préparation du deep learning – l’IA sera capable de comprendre que les descriptions « TV HD » et « Téléviseur FULL HD » font référence au même type de produit. Un moyen de remettre à plat de grands inventaires. De même, en analysant une fiche produit, une IA est capable de comprendre de quel type d’appareil il s’agit et d’ensuite classer ses caractéristiques. Pour un téléviseur, par exemple, elle reconnaîtrait la taille d’écran, la technologie de la dalle, les différentes connectiques, etc.
Si cette technologie s’avère adaptée à d’autres usages, elle pourrait permettre à des intelligences artificielles de maîtriser plus facilement un environnement. Cela pourrait ainsi faciliter le déploiement de robots dans des contextes complexes. Ou la mise sur la route de voitures autonomes qui n’auraient pas besoin d’avoir vu des milliers d’obstacles pour en reconnaître un.
Des intelligences artificielles compatibles avec la vie privée ?
Cela aurait également pour conséquence de permettre à une intelligence artificielle d’apprendre vos préférences et habitudes sans avoir à partager vos données d’utilisateur pour en ressortir des ensembles utilisables. Ainsi, vos informations personnelles resteraient sur votre smartphone ou votre ordinateur et les services liés resteraient pertinents. Le dilemme actuel qui impose de choisir entre vie privée et bénéfice de l’IA serait donc caduque… Voilà qui laisse rêveur.
Jusqu’à présent, des géants, comme Apple, qui cherche à rattraper son retard dans le domaine de l’intelligence artificielle tout en préservant nos données, ont dû opter pour la vie privée différentielle. Cette nouvelle approche pourrait leur offrir de nouvelles opportunités et éviter de céder à la tentation de récupérer plus de nos informations. A Cupertino, on se pose peut-être la question de savoir si Gamalon est à vendre ?
Source :
MIT Technology Review
🔴 Pour ne manquer aucune actualité de 01net, suivez-nous sur Google Actualités et WhatsApp.
