Des chercheurs ont trouvé une méthode pour permettre aux logiciels d'IA d'apprendre plus rapidement
l'approche consiste à leur apprendre à identifier les relations entre des catégories visuelles entières

Deux neuroscientifiques du centre médical de l'université de Georgetown (Georgetown University Medical Center) et de l'université de Californie à Berkeley ont développé un modèle qui permet aux logiciels d'intelligence artificielle de fonctionner davantage comme un cerveau humain et d'apprendre plus rapidement de nouveaux concepts visuels. Le logiciel identifie les relations entre des catégories visuelles entières, contrairement à l'approche standard qui consiste à identifier les objets en utilisant uniquement des caractéristiques visuelles de bas niveau et intermédiaires comme la forme et la couleur.

La puissance d'un logiciel d'IA réside généralement dans sa capacité à apprendre rapidement, ce qui relève souvent de la taille du réseau de neurones qu'il exploite. Cela signifie que, plus le modèle de données sur lequel il se base (il est entraîné) est grand, plus le programme apprend vite ou est plus "intelligent". Les chercheurs du Georgetown University Medical Center et de l'université de Californie à Berkeley ont peut-être trouvé le moyen d'accélérer l'apprentissage des logiciels d'IA. Ils estiment qu'apprendre aux logiciels d'IA à se comporter comme le cerveau humain les amène à apprendre plus rapidement.

Nom : ai-brain-image-1.jpg
Affichages : 1843
Taille : 509,1 Ko

Selon les chercheurs, Maximilian Riesenhuber, PhD, professeur de neurosciences au centre médical de l'université de Georgetown, et Joshua Rule, PhD, chercheur postdoctoral à l'UC Berkeley, l'intelligence artificielle basée sur l'ordinateur peut fonctionner davantage comme l'intelligence humaine lorsqu'elle est programmée pour utiliser une technique beaucoup plus rapide pour l'apprentissage de nouveaux objets. Les deux neuroscientifiques ont conçu un tel modèle. Dans leur étude, publiée dans la revue Frontiers in Computational Neuroscience, ils ont expliqué avoir conçu le modèle pour refléter l'apprentissage visuel humain.

« Notre modèle fournit un moyen biologiquement plausible pour les réseaux de neurones artificiels d'apprendre de nouveaux concepts visuels à partir d'un petit nombre d'exemples », a expliqué Riesenhuber. « Nous pouvons faire en sorte que les ordinateurs apprennent beaucoup mieux à partir de quelques exemples en tirant parti de l'apprentissage antérieur d'une manière qui, selon nous, reflète ce que fait le cerveau », a-t-il ajouté. En effet, les humains sont capables d'apprendre rapidement et précisément de nouveaux concepts visuels à partir de données éparses, parfois d'un seul exemple.

D'après les deux chercheurs, même les bébés de trois ou quatre mois peuvent facilement apprendre à reconnaître les zèbres et à les distinguer des chats, des chevaux et des girafes. Cependant, à l'heure actuelle, les ordinateurs ont généralement besoin de "voir" de nombreux exemples d'un même objet pour savoir de quoi il s'agit. Riesenhuber et Rule estiment que cette dernière forme d'apprentissage prend énormément de temps et est gourmande en énergie. Ainsi, dans leur approche, ils ont préféré concevoir des logiciels qui exploitent des représentations déjà acquises dans une banque de données pour apprendre.

« Le grand changement nécessaire a consisté à concevoir des logiciels permettant d'identifier les relations entre des catégories visuelles entières, au lieu d'essayer l'approche plus standard qui consiste à identifier un objet en utilisant uniquement des informations de bas niveau et intermédiaires, comme la forme et la couleur », a expliqué Riesenhuber. « La puissance de calcul de la hiérarchie du cerveau réside dans la possibilité de simplifier l'apprentissage en exploitant des représentations déjà acquises dans une banque de données, pour ainsi dire pleine de concepts sur les objets », a-t-il précisé.

Riesenhuber et Rule ont découvert que les réseaux neuronaux artificiels, qui représentent les objets en fonction de concepts précédemment appris, apprenaient de nouveaux concepts visuels beaucoup plus rapidement. « Plutôt que d'apprendre des concepts de haut niveau en termes de caractéristiques visuelles de bas niveau, notre approche les explique en termes d'autres concepts de haut niveau. C'est comme dire qu'un ornithorynque ressemble un peu à un canard, un castor et une loutre de mer », a déclaré Riesenhuber à la publication du Georgetown University Medical Center.

Riesenhuber a continué en expliquant que l'architecture du cerveau qui sous-tend l'apprentissage des concepts visuels humains s'appuie sur les réseaux de neurones impliqués dans la reconnaissance des objets. Le neuroscientifique a déclaré que le lobe temporal antérieur du cerveau contient des représentations conceptuelles "abstraites" qui vont au-delà de la forme. Ces hiérarchies neuronales complexes pour la reconnaissance visuelle permettent aux humains d'apprendre de nouvelles tâches et, surtout, de tirer parti de l'apprentissage antérieur.

Ainsi, selon Riesenhuber, en réutilisant ces concepts, vous pouvez plus facilement apprendre de nouveaux concepts, de nouvelles significations, comme le fait qu'un zèbre est simplement un cheval d'une autre race. Les deux chercheurs s'accordent à dire que, malgré les progrès de l'IA, le système visuel humain reste la référence en matière de capacité à généraliser à partir de quelques exemples, à gérer avec robustesse les variations d'images et à comprendre les scènes.

« Nos découvertes ne suggèrent pas seulement des techniques qui pourraient aider les ordinateurs à apprendre plus rapidement et plus efficacement, elles peuvent également conduire à des expériences neuroscientifiques améliorées visant à comprendre comment les gens apprennent si rapidement, ce qui n'est pas encore bien compris », a conclu le professeur Maximilian Riesenhuber.

Sources : Rapport de l'étude, Georgetown University Medical Center

Et vous ?

Que pensez-vous de cette étude ?
Cette approche va-t-elle révolutionner le domaine de l'IA selon vous ?

Voir aussi

Des chercheurs parviennent à traduire automatiquement les signaux du langage émis par le cerveau en texte avec un framework encodeur-décodeur pour un taux d'erreur pouvant descendre jusqu'à 3 %

SpiNNaker, le plus grand supercalculateur au monde émulant un cerveau humain a été mis en marche, une première depuis le début de sa construction

Des scientifiques ont développé un système qui permet aux neurones du cerveau et aux neurones artificiels de communiquer entre eux sur Internet

La collaboration entre humains et agents IA changera pour toujours la façon dont les tâches professionnelles sont exécutées, selon un rapport d'étude

Watson IA bientôt disponible partout. IBM compte externaliser son service vers les autres clouds concurrents