Recréer la capacité de l'esprit humain à déduire des schémas et des relations à partir d'événements complexes pourrait conduire à un modèle universel d'intelligence artificielle.

Un défi majeur pour l'intelligence artificielle (IA) est d'avoir la capacité de voir des phénomènes superficiels passés pour deviner les processus causaux sous-jacents. De nouvelles recherches menées par KAUST et une équipe internationale de spécialistes de premier plan ont abouti à une nouvelle approche qui va au-delà de la détection de motifs superficiels.

Les humains ont un sens de l'intuition ou de l'inférence extraordinairement raffiné qui nous donne la perspicacité, par exemple, comprendre qu'une pomme violette pourrait être une pomme rouge illuminée de lumière bleue. Ce sens est tellement développé chez les humains que nous sommes également enclins à voir des modèles et des relations là où il n'y en a pas, donnant lieu à notre propension à la superstition.

Ce type d'aperçu est un tel défi à codifier dans l'IA que les chercheurs cherchent encore par où commencer :pourtant, il représente l'une des différences les plus fondamentales entre la pensée naturelle et la pensée mécanique.

Il y a cinq ans, une collaboration entre les chercheurs affiliés à la KAUST Hector Zenil et Jesper Tegnér, avec Narsis Kiani et Allan Zea du Karolinska Institutet de Suède, a commencé à adapter la théorie algorithmique de l'information à la biologie des réseaux et des systèmes afin de résoudre les problèmes fondamentaux de la génomique et des circuits moléculaires. Cette collaboration a conduit au développement d'une approche algorithmique pour déduire des processus causaux qui pourraient constituer la base d'un modèle universel d'IA.

« L'apprentissage automatique et l'IA deviennent omniprésents dans l'industrie, sciences et société, " explique le professeur de la KAUST Tegnér. " Malgré les progrès récents, nous sommes encore loin d'avoir atteint l'intelligence artificielle à usage général avec la capacité de raisonnement et d'apprentissage à travers différentes tâches. Une partie du défi consiste à aller au-delà de la détection de modèles superficiels vers des techniques permettant la découverte des mécanismes causaux sous-jacents produisant les modèles. »

Ce démêlage causal, cependant, devient très difficile lorsque plusieurs processus différents sont entrelacés, comme c'est souvent le cas dans les données moléculaires et génomiques. "Notre travail identifie les parties des données qui sont causalement liées, sortir les corrélations parasites puis identifier les différents mécanismes causaux impliqués dans la production des données observées, " dit Tegnér.

La méthode est basée sur un concept mathématique bien défini de probabilité d'information algorithmique comme base d'une machine d'inférence optimale. La principale différence avec les approches précédentes, cependant, est le passage d'une vision centrée sur l'observateur du problème à une analyse objective des phénomènes basée sur des écarts par rapport à l'aléatoire.

"Nous utilisons la complexité algorithmique pour isoler plusieurs programmes en interaction, puis rechercher l'ensemble des programmes qui pourraient générer les observations, " dit Tegnér.

L'équipe a démontré sa méthode en l'appliquant aux sorties interactives de plusieurs codes informatiques. L'algorithme trouve la combinaison la plus courte de programmes pouvant construire la chaîne de sortie alambiquée de 1 et de 0.

"Cette technique peut doter les méthodes actuelles d'apprentissage automatique de capacités complémentaires avancées pour mieux faire face à l'abstraction, inférence et concepts, comme la cause et l'effet, que d'autres méthodes, y compris l'apprentissage en profondeur, ne peut pas gérer actuellement, " dit Zenil.