La plupart des gens ne penseraient pas à enseigner à des enfants de cinq ans comment frapper une balle de baseball en leur tendant une batte et une balle, en leur disant de lancer les objets en l'air dans un million de combinaisons différentes et en espérant qu'ils comprennent comment les deux choses se connectent.

Et encore, c'est en quelque sorte la façon dont nous abordons l'apprentissage automatique aujourd'hui, en montrant aux machines beaucoup de données et en s'attendant à ce qu'elles apprennent des associations ou trouvent des modèles par elles-mêmes.

Pour bon nombre des applications les plus courantes des technologies d'IA aujourd'hui, comme la simple reconnaissance de texte ou d'image, cela fonctionne extrêmement bien.

Mais comme le désir d'utiliser l'IA pour plus de scénarios s'est accru, Les scientifiques et développeurs de produits de Microsoft ont mis au point une approche complémentaire appelée enseignement machine. Cela repose sur l'expertise des personnes pour diviser un problème en tâches plus faciles et donner aux modèles d'apprentissage automatique des indices importants sur la façon de trouver une solution plus rapidement. C'est comme apprendre à un enfant à frapper un coup de circuit en mettant d'abord la balle sur le tee, puis lancer un lancer sournois et finalement passer aux balles rapides.

« Cela semble très naturel et intuitif lorsque nous parlons de cela en termes humains, mais lorsque nous passons à l'apprentissage automatique, l'état d'esprit de tout le monde, qu'ils s'en rendent compte ou non, c'est " lançons simplement des balles rapides sur le système, '", a déclaré Mark Hammond, Directeur général de Microsoft pour l'IA d'entreprise. "L'enseignement machine est un ensemble d'outils qui vous aide à arrêter de faire cela."

L'enseignement automatique cherche à acquérir des connaissances auprès des personnes plutôt que d'extraire des connaissances à partir de données uniquement. Une personne qui comprend la tâche à accomplir, que ce soit comment décider quel service d'une entreprise doit recevoir un e-mail entrant ou comment positionner automatiquement les éoliennes pour générer plus d'énergie, décomposerait d'abord ce problème en parties plus petites. Ensuite, ils fourniraient un nombre limité d'exemples, ou l'équivalent de plans de cours, pour aider les algorithmes d'apprentissage automatique à le résoudre.

Dans les scénarios d'apprentissage supervisé, L'enseignement automatique est particulièrement utile lorsqu'il existe peu ou pas de données de formation étiquetées pour les algorithmes d'apprentissage automatique, car les besoins d'une industrie ou d'une entreprise sont si spécifiques.

Dans les scénarios d'apprentissage par renforcement difficiles et ambigus, où les algorithmes ont du mal à déterminer laquelle des millions d'actions possibles pour maîtriser les tâches dans le monde physique, l'enseignement machine peut considérablement raccourcir le temps qu'il faut à un agent intelligent pour trouver la solution.

Cela fait également partie d'un objectif plus large de permettre à un plus grand nombre de personnes d'utiliser l'IA de manière plus sophistiquée. L'enseignement automatique permet aux développeurs ou aux experts en la matière avec peu d'expertise en IA, comme les avocats, comptables, ingénieurs, infirmières ou caristes, transmettre des concepts abstraits importants à un système intelligent, qui exécute ensuite la mécanique d'apprentissage automatique en arrière-plan.

Les chercheurs de Microsoft ont commencé à explorer les principes de l'enseignement automatique il y a près de dix ans, et ces concepts font désormais leur chemin dans des produits qui aident les entreprises à tout créer, des robots de service client intelligents aux systèmes autonomes.

"Même l'IA la plus intelligente aura du mal à apprendre à effectuer certaines des tâches extrêmement complexes qui sont courantes dans le monde réel. Vous avez donc besoin d'une approche comme celle-ci, avec des personnes guidant les systèmes d'IA pour apprendre les choses que nous savons déjà, " dit Gurdeep Pall, Vice-président d'entreprise de Microsoft pour l'IA d'entreprise. "Prendre cette IA clé en main et faire en sorte que des non-experts l'utilisent pour effectuer des tâches beaucoup plus complexes est vraiment l'endroit idéal pour l'enseignement machine."

Aujourd'hui, si nous essayons d'apprendre à un algorithme d'apprentissage automatique ce qu'est une table, nous pourrions facilement trouver un ensemble de données avec des images de tableaux, chaises et lampes méticuleusement étiquetées. Après avoir exposé l'algorithme à d'innombrables exemples étiquetés, il apprend à reconnaître les caractéristiques d'une table.

Mais si vous deviez apprendre à une personne à reconnaître une table, vous commenceriez probablement par expliquer qu'il a quatre pieds et un sommet plat. Si vous avez vu la personne mettre également des chaises dans cette catégorie, vous expliqueriez en outre qu'une chaise a un dossier et qu'une table n'en a pas. Ces abstractions et boucles de rétroaction sont essentielles à la façon dont les gens apprennent, et ils peuvent également compléter les approches traditionnelles de l'apprentissage automatique.

"Si vous pouvez enseigner quelque chose à une autre personne, vous devriez pouvoir l'enseigner à une machine en utilisant un langage très proche de la façon dont les humains apprennent, " a déclaré Patrice Simard, Ingénieur distingué de Microsoft qui a été le pionnier du travail d'enseignement de la machine de l'entreprise pour Microsoft Research. Ce mois-ci, son équipe passe au groupe Expériences et appareils pour poursuivre ce travail et intégrer davantage l'enseignement automatique aux offres d'IA conversationnelle.

Des millions d'utilisateurs potentiels de l'IA

Simard a commencé à réfléchir à un nouveau paradigme pour la construction de systèmes d'IA lorsqu'il a remarqué que presque tous les articles des conférences sur l'apprentissage automatique se concentraient sur l'amélioration des performances des algorithmes sur des références soigneusement sélectionnées. Mais dans le monde réel, il se rendit compte, l'enseignement est une composante tout aussi ou sans doute plus importante de l'apprentissage, en particulier pour les tâches simples où des données limitées sont disponibles.

Si vous vouliez apprendre à un système d'IA comment choisir la meilleure voiture mais que vous n'aviez que quelques exemples étiquetés « bon » et « mauvais », " il pourrait déduire de ces informations limitées qu'une caractéristique déterminante d'une bonne voiture est que le quatrième chiffre de sa plaque d'immatriculation est un "2". kilométrage, cotes de sécurité, résultats des crash-tests, prix - permet aux algorithmes de reconnaître correctement les bonnes et les mauvaises voitures, malgré la disponibilité limitée d'exemples étiquetés.

Dans les scénarios d'apprentissage supervisé, L'enseignement automatique améliore les modèles en identifiant ces caractéristiques significatives de haut niveau. Comme en programmation, l'art de l'enseignement machine implique également la décomposition des tâches en tâches plus simples. Si les fonctionnalités nécessaires n'existent pas, ils peuvent être créés à l'aide de sous-modèles qui utilisent des fonctionnalités de niveau inférieur et sont suffisamment simples pour être appris à partir de quelques exemples. Si le système commet systématiquement la même erreur, les erreurs peuvent être éliminées en ajoutant des fonctionnalités ou des exemples.

L'un des premiers produits Microsoft à utiliser des concepts d'enseignement automatique est Language Understanding, un outil dans Azure Cognitive Services qui identifie l'intention et les concepts clés à partir d'un texte court. Il a été utilisé par des entreprises allant d'UPS et Progressive Insurance à Telefonica pour développer des robots de service client intelligents.

"Pour savoir si un client a une question sur la facturation ou sur un plan de service, vous n'êtes pas obligé de nous donner tous les exemples de la question. Vous pouvez en fournir quatre ou cinq, ainsi que les fonctionnalités et les mots-clés qui sont importants dans ce domaine, and Language Understanding s'occupe de la machinerie en arrière-plan, " a déclaré Riham Mansour, directeur principal du génie logiciel responsable de la compréhension des langues.

Les chercheurs de Microsoft explorent comment appliquer les concepts d'enseignement automatique à des problèmes plus complexes, comme classer des documents plus longs, email et même des images. Ils travaillent également à rendre le processus d'enseignement plus intuitif, comme suggérer aux utilisateurs quelles fonctionnalités pourraient être importantes pour résoudre la tâche.

Imaginez qu'une entreprise souhaite utiliser l'IA pour parcourir tous ses documents et e-mails de l'année dernière pour savoir combien de devis ont été envoyés et combien d'entre eux ont abouti à une vente, dit Alicia Edelman Pelton, directeur de programme principal pour le groupe Microsoft Machine Teaching.

Dans un premier temps, le système doit savoir identifier un devis à partir d'un contrat ou d'une facture. Souvent, aucune donnée d'entraînement étiquetée n'existe pour ce type de tâche, surtout si chaque vendeur de l'entreprise le gère un peu différemment.

Si le système utilisait des techniques d'apprentissage automatique traditionnelles, l'entreprise aurait besoin d'externaliser ce processus, envoyer des milliers d'exemples de documents et d'instructions détaillées afin qu'une armée de personnes puisse tenter de les étiqueter correctement - un processus qui peut prendre des mois d'aller-retour pour éliminer les erreurs et trouver tous les exemples pertinents. Ils auront également besoin d'un expert en apprentissage automatique, qui sera très demandé, pour construire le modèle d'apprentissage automatique. Et si de nouveaux vendeurs commencent à utiliser des formats différents sur lesquels le système n'a pas été formé, le modèle devient confus et cesse de fonctionner correctement.

Par contre, Pelton a dit, L'approche d'enseignement automatique de Microsoft utiliserait une personne au sein de l'entreprise pour identifier les caractéristiques et les structures de définition couramment trouvées dans un devis :quelque chose envoyé par un vendeur, le nom d'un client externe, des mots comme « devis » ou « date de livraison », " "produit, " "quantité, " ou "conditions de paiement".

Cela traduirait l'expertise de cette personne dans un langage qu'une machine peut comprendre et utiliser un algorithme d'apprentissage automatique qui a été présélectionné pour effectuer cette tâche. Cela peut aider les clients à créer des solutions d'IA personnalisées en une fraction du temps en utilisant l'expertise qui existe déjà au sein de leur organisation, dit Pelton.

Pelton a noté qu'il y a d'innombrables personnes dans le monde « qui comprennent leur entreprise et peuvent décrire les concepts importants – un avocat qui dit :'Oh, Je sais à quoi ressemble un contrat et je sais à quoi ressemble une convocation et je peux vous donner les indices pour faire la différence.'"

Rendre les problèmes difficiles vraiment solubles

Il y a plus d'une décennie, Hammond travaillait en tant que programmeur de systèmes dans un laboratoire de neurosciences de Yale et a remarqué comment les scientifiques utilisaient une approche étape par étape pour entraîner les animaux à effectuer des tâches pour leurs études. Il a eu une révélation similaire sur l'emprunt de ces leçons pour enseigner des machines.

Cela l'a finalement amené à fonder Bonsaï, qui a été acquis par Microsoft l'année dernière. Il combine l'enseignement machine avec l'apprentissage par renforcement approfondi et la simulation pour aider les entreprises à développer des « cerveaux » qui exécutent des systèmes autonomes dans des applications allant de la robotique et de la fabrication à la gestion de l'énergie et des bâtiments. La plate-forme utilise un langage de programmation appelé Inkling pour aider les développeurs et même les experts en la matière à décomposer les problèmes et à écrire des programmes d'IA.

Apprentissage profond par renforcement, une branche de l'IA dans laquelle les algorithmes apprennent par essais et erreurs sur la base d'un système de récompenses, a surpassé avec succès les gens dans les jeux vidéo. Mais ces modèles ont eu du mal à maîtriser des tâches industrielles plus complexes du monde réel, dit Hammond.

L'ajout d'une couche d'enseignement automatique ou l'intégration de l'expertise unique d'une organisation en la matière directement dans un modèle d'apprentissage par renforcement en profondeur peut réduire considérablement le temps nécessaire pour trouver des solutions à ces problèmes du monde réel extrêmement complexes, dit Hammond.

Par exemple, imaginez qu'une entreprise manufacturière souhaite former un agent d'IA pour calibrer de manière autonome un équipement critique qui peut être déséquilibré lorsque la température ou l'humidité fluctue ou après qu'il ait été utilisé pendant un certain temps. Une personne utiliserait le langage Inkling pour créer un « plan de cours » qui décrit les informations pertinentes pour effectuer la tâche et pour surveiller si le système fonctionne bien.

Armé de ces informations provenant de son composant d'apprentissage automatique, le système Bonsai sélectionnerait le meilleur modèle d'apprentissage par renforcement et créerait un « cerveau » d'IA pour réduire les temps d'arrêt coûteux en calibrant de manière autonome l'équipement. Il testerait différentes actions dans un environnement simulé et serait récompensé ou pénalisé en fonction de la rapidité et de la précision de l'étalonnage.

Dire à ce cerveau de l'IA ce sur quoi il est important de se concentrer dès le départ peut court-circuiter beaucoup d'explorations infructueuses et chronophages alors qu'il essaie d'apprendre en simulation ce qui fonctionne et ce qui ne fonctionne pas, dit Hammond.

"La raison pour laquelle l'enseignement automatique s'avère essentiel est que si vous utilisez simplement l'apprentissage par renforcement naïvement et ne lui donnez aucune information sur la façon de résoudre le problème, il va explorer au hasard et, espérons-le, mais souvent jamais, trouvera une solution qui fonctionne, " a déclaré Hammond. " Cela rend les problèmes vraiment solubles alors que sans enseignement par machine, ils ne le sont pas. "