L'avenir ne sera pas fait uniquement par les humains ou les machines - mais par les deux, travailler ensemble. Les technologies modelées sur le fonctionnement du cerveau humain augmentent déjà les capacités des gens, et ne fera que gagner en influence à mesure que la société s'habituera à ces machines de plus en plus performantes.

Les optimistes en matière de technologie ont imaginé un monde avec une productivité humaine et une qualité de vie croissantes alors que les systèmes d'intelligence artificielle prennent en charge les corvées et l'administration de la vie, profitant à tous. pessimistes, d'autre part, ont averti que ces avancées pourraient coûter très cher en emplois perdus et en vies perturbées. Et les alarmistes craignent que l'IA puisse à terme rendre les êtres humains obsolètes.

Cependant, les gens ne sont pas très doués pour imaginer l'avenir. Ni l'utopie ni l'apocalypse ne sont probables. Dans mon nouveau livre, "La révolution de l'apprentissage en profondeur, " mon but était d'expliquer le passé, présent et futur de ce domaine de la science et de la technologie en pleine croissance. Ma conclusion est que l'IA vous rendra plus intelligent, mais d'une manière qui vous surprendra.

Reconnaître les modèles

L'apprentissage en profondeur est la partie de l'IA qui a fait le plus de progrès dans la résolution de problèmes complexes comme l'identification d'objets dans des images, reconnaître la parole de plusieurs locuteurs et traiter le texte de la façon dont les gens le parlent ou l'écrivent. L'apprentissage en profondeur s'est également avéré utile pour identifier des modèles dans les ensembles de données de plus en plus volumineux générés à partir de capteurs, dispositifs médicaux et instruments scientifiques.

Le but de cette approche est de trouver des moyens pour un ordinateur de représenter la complexité du monde et de généraliser à partir d'expériences antérieures, même si ce qui se passe ensuite n'est pas exactement le même que ce qui s'est passé 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 en profondeur peuvent identifier des aspects de ce que l'on pourrait appeler « l'état de chat » et extraire ces attributs de nouvelles images de chats.

Les méthodes d'apprentissage en profondeur sont basées sur les mêmes principes qui alimentent le cerveau humain. Par exemple, le cerveau traite de nombreuses données de toutes sortes dans de nombreuses unités de traitement en même temps. Les neurones ont de nombreuses connexions entre eux, et ces liens se renforcent ou s'affaiblissent en fonction de leur utilisation, établir des associations entre les entrées sensorielles et les sorties conceptuelles.

Le réseau d'apprentissage en profondeur le plus réussi est basé sur la recherche des années 1960 sur l'architecture du cortex visuel, une partie du cerveau que nous utilisons pour voir, et 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. Maintenant, bien que, elles sont.

En outre, les réseaux d'apprentissage se sont superposés, créant des réseaux de connexions ressemblant plus étroitement à la hiérarchie des couches trouvées dans le cortex visuel. Cela fait partie d'une convergence qui s'opère entre l'intelligence artificielle et biologique.

Apprentissage profond dans la vraie vie

L'apprentissage en profondeur ajoute déjà aux capacités humaines. Si vous utilisez les services Google pour effectuer des recherches sur le Web, ou utiliser ses applications pour traduire d'une langue à une autre ou 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 de "Star Trek".

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

Même quand tu sais qu'il y a une machine impliquée, vous ne comprenez peut-être pas la complexité de ce qu'ils font réellement :derrière Alexa d'Amazon se trouve une multitude de réseaux d'apprentissage en profondeur qui reconnaissent votre demande, passer au crible les données pour répondre à vos questions et prendre des mesures en votre nom.

Faire progresser l'apprentissage

L'apprentissage en profondeur a été très efficace pour résoudre les problèmes de reconnaissance de formes, mais pour aller au-delà, il faut d'autres systèmes cérébraux. Lorsqu'un animal est récompensé pour une action, il est plus susceptible de prendre des mesures similaires à l'avenir. Les neurones dopaminergiques des noyaux gris centraux du cerveau signalent la différence entre les récompenses attendues et reçues, appelée erreur de prédiction de récompense, qui est utilisé pour changer les forces des connexions dans le cerveau qui prédisent les récompenses futures.

Couplant cette approche, appelé apprentissage par renforcement, avec l'apprentissage en profondeur peut donner aux ordinateurs le pouvoir d'identifier des possibilités inattendues. En reconnaissant un modèle et en y répondant d'une manière qui rapporte des récompenses, les machines pourraient aborder les comportements dans le sens de ce que l'on pourrait appeler la créativité humaine. Cette approche couplée est la façon dont DeepMind a développé un programme appelé AlphaGo, qui en 2016 a battu le grand maître Lee Sedol et l'année suivante a battu 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 à l'Université de Californie, San Diego, et j'ai récemment utilisé l'apprentissage par renforcement pour enseigner à un planeur sur le terrain comment planer comme un oiseau dans des thermiques turbulents. Des capteurs peuvent être attachés à de vrais oiseaux pour tester s'ils utilisent les mêmes signaux et réagissent de la même manière.

Malgré ces succès, les chercheurs ne comprennent pas encore pleinement comment l'apprentissage en profondeur résout ces problèmes. Bien sûr, nous ne savons pas non plus comment le cerveau les résout.

Alors que le fonctionnement interne du cerveau peut rester insaisissable, ce n'est qu'une question de temps avant que les chercheurs développent une théorie de l'apprentissage en profondeur. La différence est que lorsqu'on étudie les ordinateurs, researchers have access to every connection and pattern of activity in the network. The pace of progress is rapid, with research papers appearing daily on arXiv. Surprising advances are eagerly anticipated this December at the Neural Information Processing Systems conference in Montreal, which sold out 8, 000 tickets in 11 minutes, leaving 9, 000 hopeful registrants on the waiting list.

There is a long way to go before computers achieve general human intelligence. The largest deep learning network today has only the power of a piece of human neural cortex the size of a rice grain. And we don't yet know how the brain dynamically organizes interactions between larger brain areas.

Nature already has that level of integration, creating large-scale brain systems capable of operating all aspects of the human body while pondering deep questions and completing complex tasks. Finalement, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.