Anima Anandkumar— Professeur à l’Institut de technologie de Californie et directeur de recherche à l’Institut de technologie de Californie.
"La situation avec le coronavirus montre que les humains sont bien en avance sur l'IA"
Comment a commencé la révolution de l’intelligence artificielle ?Depuis plusieurs décennies, intéressantdécouvertes dans ce domaine. Pour une personne, il n'y a rien de plus banal que de reconnaître des images sur un écran. Mais pour une IA, c'est une tâche extrêmement difficile, car elle n'est pas née avec des capacités déjà données pour cela. Les scientifiques ont été confrontés à la tâche «d'enseigner» au cerveau de la machine à identifier ce qu'il voyait. Au début de la recherche, un professeur de Stanford a commencé à capturer des images pour faciliter leur classification par un ordinateur. Il s'agissait d'images étiquetées qui ont lancé la révolution de l'apprentissage neuronal profond.
Atteindre un nouveau niveau de développement de l'IA a commencé avec l'inclusion de milliards de paramètres dans le programme qui lui permettront de reconnaître un objet spécifique.La difficulté de la tâche est de créer un réseau neuronal profonddans les conditions d'invariance, il a reconnu, par exemple, un chien quelle que soit la différence de posture, de couleur, de race, etc. La formation AI signifie que pendant le traitement de l'image, un certain nombre de couches du cadre sont visualisées dans un ordre hiérarchique. Ainsi, au niveau de base, seules les lignes sont visibles à des angles différents les unes par rapport aux autres. Ensuite, ils combinent et composent des formes plus complexes, par exemple, le visage d'un chien en couleur. La forme, la couleur et d'autres caractéristiques individuelles se distinguent déjà. C'est l'étape où nous avons appris à diviser le processus en parties, en niveaux, qui est devenue un énorme pas en avant.
Le développement ultérieur nécessite non seulement des réseaux neuronaux profonds, mais également une énorme puissance de calcul.Au cours des dernières décennies, nous avons vule ralentissement de la croissance des capacités de nos ordinateurs, les vitesses de calcul monothread ne doublant plus. Mais en même temps, nous pouvons désormais calculer simultanément des opérations énormes en volume et en complexité. Le niveau actuel de développement des réseaux profonds a conduit au fait que des milliards de processus peuvent désormais s'y dérouler simultanément. Et leur objectif n’est qu’un : déterminer ce qui est montré sur la photographie. Cette procédure est réalisée à l'aide de processus d'animation matricielle et d'autres technologies. Et ici, bien sûr, tout dépend de la puissance des cartes vidéo.
En 2014, les réseaux de neurones profonds étaient capables de reconnaître les images mieux que les humains, ce qui signifie qu'aujourd'hui ils sont devenus encore plus avancés.Cela s'est produit grâce à la combinaison de troisfacteurs : les capacités des données étiquetées, la flexibilité des algorithmes de réseaux neuronaux profonds existants et les énormes capacités des ordinateurs. Il existe de nombreux excellents exemples des hauteurs que le cerveau machine a déjà atteint, par exemple, l'apprentissage par renforcement profond a aidé l'IA à battre un humain dans le jeu de Go. Ce joueur était l'un des meilleurs, mais il a perdu. De plus, l’intelligence artificielle est désormais capable de générer des photographies de personnes si réalistes que cette technologie a déjà passé avec succès le test de Turing. Une personne ne peut plus comprendre quelle image est réelle et laquelle a été créée par une machine. Ce sont d’excellents exemples de réussite de l’IA, mais les progrès ne s’arrêteront certainement pas là.
Cependant, il existe un certain nombre d'exemples où l'IA n'a pas répondu aux attentes.Disons une situation où l'aspect cléc'est la sécurité. Depuis plusieurs décennies, on assiste à une montée en puissance des technologies utilisées dans les voitures autonomes, mais malheureusement, leur manque de sophistication entraîne encore des accidents. De plus, une machine ne peut pas remplacer une personne lorsqu’il s’agit de création et d’édition de contenu. Et la situation actuelle du coronavirus montre que les humains sont loin devant l’IA.
Que ferons-nous à l'avenir, en développant l'intelligence artificielle et les technologies des réseaux neuronaux profonds?Actuellement en développement actifrobotique : par exemple, une entreprise possède un robot capable de faire des backflips. Mais il ne peut même pas être comparé à un chien. Ce robot est maladroit, tombe constamment, mais l'animal, en tombant, apprend à faire tel ou tel mouvement la prochaine fois sans tomber. Mais le robot n’en est pas capable, il n’est pas entraîné. Cela soulève la question suivante : est-il possible de créer une IA prête à apprendre et à résoudre des problèmes par elle-même ?
"Comprendre les algorithmes dépasse nos capacités."
Un algorithme d'intelligence artificielle est une collection d'informations prédéfinies et une tâche très claire.Nous déterminons quelles données et au préalableles paramètres donnés doivent être utilisés, ainsi que la manière de mettre en œuvre le processus de prise de décision. La création et la maintenance d'un algorithme d'IA nécessitent d'énormes quantités de données. C'est difficile car il y a de plus en plus de données, par exemple, lors de la reconnaissance d'un flux vidéo, le nombre d'images reconnues est très important. L'étiquetage est problématique car les gens attribuent des noms à des millions de vidéos, et donc à des objets à l'écran.
En ce qui concerne les paramètres prédéfinis, vous devez à nouveau gérer le fait que tout est fait manuellement.Il est facile de tromper l’IA de nos jours.Par exemple, si nous avons un panneau stop et que nous plaçons plusieurs blocs dessus, alors l’intelligence artificielle ne comprendra plus sa signification. Et une voiture circulant sans assistance au conducteur ne reconnaît plus ce panneau comme un appel à s'arrêter. Notre intelligence humaine est complètement différente. Peut-être pourrions-nous transférer notre façon de penser dans un ordinateur, mais nous n’y sommes pas encore parvenus. Quant aux directions, ordres et instructions, nous devons agir très simplement : nous nous donnons une tâche : reconnaître ce qui est montré sur cette image. Quant aux paramètres d’évaluation du succès ou de l’inefficacité de l’algorithme, nous sommes ici très limités.
Nous ne pouvons parfois pas comprendre le succès de l'algorithme actuel, car il dépasse notre compréhension.De plus, plusieurs problèmes sont associés àle fait que les données dont nous disposons concernent principalement les hommes à la peau claire. Pour cette raison, l’IA identifie mal les femmes à la peau foncée. Il existe d'autres erreurs dans la reconnaissance faciale. Le problème se pose car l’évaluation de l’efficacité de l’intelligence artificielle est extrêmement limitée. Nous ne devons pas oublier le paradigme selon lequel nous avons besoin d’énormes quantités de données et que toutes doivent être étiquetées. Les paramètres prédéfinis doivent être clairs pour l'algorithme et la tâche elle-même doit être simple et logique.
Vous devez d'abord vous assurer que vous n'avez pas besoin d'étiqueter les données.L'IA doit fonctionner sans assistance humaine pourl'ordinateur lui-même trouvait des concepts, formait des idées et comprenait les caractéristiques d'une image particulière. C'est difficile? Oui, beaucoup, mais les gens le font, et avec facilité. En ce qui concerne les données prédéfinies, nous devons ici créer des images très claires, pour montrer quelles sont les données que nous « transmettons » au système. Et ici, vous pouvez apprendre beaucoup de choses du cerveau humain. Et enfin, les tâches que nous confions à l'algorithme. L'IA doit être plus adaptative, car maintenant nous entraînons notre système à partir de zéro à chaque fois, mais nous devons le faire de manière à ce qu'il puisse s'adapter et changer, effectuer différentes tâches. Alors maintenant, nous nous entraînons pour rendre l’intelligence artificielle flexible.
Comment comprendre qu'il y a un chat devant nous?
Nous reconnaissons un chat, même s'il s'agit d'une image floue, car notre cerveau essaie constamment de donner une certaine netteté à l'image floue pour une analyse plus approfondie.Il existe de nombreuses théories, et l'une des plus célèbresdit que nous ne regardons pas seulement un objet, mais en même temps, le cerveau sélectionne des options pour ce qu'il peut être. Les réseaux de neurones profonds font de même. Nous avons des données a priori sur l'apparence du chat. Et nous essayons de faire correspondre cette image avec l'idée de ce à quoi ressemblent les chats. Il est important de comprendre cela pendant le développement pour assurer la cohérence de l'identification des images.
Comment parvenir à une stabilité dans l’identification des objets par des réseaux artificiels ?Cela se produit naturellement en raison derépétabilité. Nous prenons une image externe et la regardons, et le signal va au cerveau. Il y a aussi une rétroaction descendante. En utilisant des informations sur l'apparence d'un chat, le cerveau forme une perception spécifique. Comment pouvons-nous rendre ces processus complexes dans notre cerveau implémentés par l'IA? Il faut combiner un bon classificateur pour le concept de «chat», qui «alimentera» le réseau de neurones, avec un excellent générateur de ces images. En même temps, la classification du concept et la formation du réseau neuronal auront lieu. Une rétroaction sera obtenue pour les réseaux de neurones standard. Et cette connexion fournira l'occasion de recevoir des commentaires génératifs. En d'autres termes, en essayant de traiter le signal entrant, une personne essaie de marquer l'image. Et puis il y a du feedback lorsque nous essayons de générer une perception basée sur ce que nous voyons. Ces deux processus doivent être interconnectés.
Un réseau neuronal standard, en règle générale, ne peut pas reconnaître les images floues, mais notre modèle, grâce à un mécanisme de rétroaction, rend les images plus claires et peut ensuite les reconnaître.On voit qu'un tel schéma a fait ses preuvesefficacité, afin que nous puissions nous inspirer de la façon dont les humains voient lors de la création de vision par ordinateur. Sur la base de modèles déjà développés, vous pouvez créer des algorithmes plus avancés et plus performants. Mais nous avons également besoin d’une infrastructure efficace, capable de gérer les processus d’IA à grande échelle. Nous ne travaillons pas avec des algorithmes individuellement. Vous prenez des données et devez les visualiser, ce qui est un processus très complexe. Par conséquent, vous avez besoin d’un processeur puissant capable de traiter des quantités impressionnantes d’informations. De plus, nous utilisons certains frameworks (CLARA) pour diverses applications, dont la médecine. Aujourd’hui, compte tenu de la pandémie de COVID-19, il est nécessaire de former des modèles d’apprentissage automatique à grande échelle. L’objectif est de développer des vaccins et des remèdes contre le virus. L'outil CLARA peut travailler avec des structures tridimensionnelles et divers algorithmes, étant essentiellement le coordinateur de leur travail.
Une autre opportunité d'apprentissage de l'IA consiste à utiliser des données stimulées plutôt que des données réelles.Nous disposons d'une gamme de robots qui peuvent devenirchefs dans nos cuisines. De telles machines sont capables d'ouvrir et de fermer un tiroir, de prendre un objet, de mélanger ou de fouetter quelque chose. Ces opérations, simples pour les humains, sont très difficiles pour les robots, car il est problématique de les entraîner à cela. Mais grâce à des processus de simulation, nous pourrons ouvrir des boîtes programmées et inexistantes. Et ainsi le robot apprend des opérations similaires. Les programmes nous permettent de le faire en parallèle et à grande échelle, ce qui nous permet de dépasser les limites que nous imposent les données. Mais un tel système de formation nécessite le développement d’algorithmes très complexes qui feront passer la machine du monde de la simulation au monde réel, ouvrant ainsi des perspectives complètement nouvelles et passionnantes pour travailler avec l’IA. Il existe un programme qui vous permet d'ajouter une simulation à ces modèles lorsque l'intelligence artificielle est entraînée sur des données réelles. C'est un autre exemple que nous disposons d'une bonne infrastructure et que nous pouvons travailler sur des problèmes très complexes. Il est devenu possible de créer de nouveaux algorithmes et modèles, ainsi que de les tester beaucoup plus rapidement qu'auparavant.
L'avenir de l'IA doit être complet et s'incarner dans différentes sphères afin que nous disposions d'un outil hautement adaptatif et en apprentissage permanent.Pour ce faire, nous devons désormais repenser les approches del'apprentissage en profondeur. L’apprentissage autodirigé est la clé du succès, c’est pourquoi nous devons trouver des moyens d’intégrer des programmes d’apprentissage non supervisés dans les systèmes. Et si nous parlons de réseaux de neurones convolutifs, le système de rétroaction les rend plus stables. Et c’est la première étape vers la création d’une véritable base pour la prochaine génération d’IA.
Voir aussi:
Un chasseur de trésor découvre un trésor vieux de 3000 ans en Écosse
La pluie de météores des Perséides - 2020: où le voir, où regarder et comment prendre une photo
Regardez la carte 3D de l'Univers: elle a été compilée pendant 20 ans et elle a déjà surpris les scientifiques