Il est probable qu'avant trop longtemps, des robots seront à la maison pour soigner les personnes âgées et les aider à vivre de manière autonome. Pour faire ça, ils devront apprendre à faire tous les petits travaux que nous pourrions faire sans réfléchir. De nombreux systèmes d'IA modernes sont formés pour effectuer des tâches spécifiques en analysant des milliers d'images annotées de l'action en cours. Alors que ces techniques aident à résoudre des problèmes de plus en plus complexes, ils se concentrent toujours sur des tâches très spécifiques et nécessitent beaucoup de temps et de puissance de traitement pour s'entraîner.

Si un robot doit aider à prendre soin de personnes âgées, alors l'éventail des problèmes qu'il rencontrera à la maison variera énormément par rapport à ces situations de formation. Au cours d'une journée, on peut s'attendre à ce que les robots fassent tout, de la préparation d'une tasse de thé au changement de la literie tout en tenant une conversation. Ce sont toutes des tâches difficiles qui sont plus difficiles lorsqu'elles sont tentées ensemble. Il n'y a pas deux maisons identiques, ce qui signifie que les robots devront apprendre rapidement et s'adapter à leur environnement. Comme toute personne partageant une maison l'appréciera, les objets dont vous avez besoin ne se trouvent pas toujours au même endroit - les robots devront réfléchir sur leurs pieds pour les trouver.

Une approche consiste à développer un robot capable d'apprendre tout au long de la vie qui pourrait stocker des connaissances basées sur des expériences, et trouver comment l'adapter et l'appliquer à de nouveaux problèmes. Après avoir appris à faire une tasse de thé, les mêmes compétences pourraient être appliquées à la préparation du café.

Le meilleur agent d'apprentissage que les scientifiques connaissent est l'esprit humain, qui est capable d'apprendre tout au long de sa vie, de s'adapter à des environnements complexes et en constante évolution et de résoudre une grande variété de problèmes au quotidien. Modéliser la façon dont les humains apprennent pourrait aider à développer des robots avec lesquels nous pouvons interagir naturellement, presque comme la façon dont nous interagirions avec une autre personne.

Simuler le développement d'un enfant

La première question à se poser lorsqu'on commence à modéliser des humains est :où commencer? Alain Turing, le célèbre mathématicien et penseur de l'intelligence artificielle a dit un jour :« Au lieu d'essayer de produire un programme pour simuler l'esprit adulte, pourquoi ne pas plutôt essayer d'en produire un qui simule celui de l'enfant ? Si cela était ensuite soumis à un cours d'éducation approprié, on obtiendrait le cerveau adulte. »

Il a comparé le cerveau de l'enfant à un cahier vide qui pourrait être rempli grâce à l'éducation pour développer un « système » adulte intelligent. Mais quel est l'âge d'un enfant humain que les scientifiques devraient essayer de modéliser et d'installer dans des robots ? De quelles connaissances et compétences initiales un robot a-t-il besoin pour commencer ?

Les nouveau-nés sont très limités dans ce qu'ils peuvent faire et ce qu'ils peuvent percevoir du monde qui les entoure. La force musculaire du cou d'un bébé n'est pas suffisante pour soutenir sa tête et il n'a pas encore appris à contrôler ses bras et ses membres.

Commencer au mois zéro peut sembler très contraignant pour un robot, mais les contraintes physiques du bébé l'aident en fait à concentrer son apprentissage sur un petit sous-ensemble de problèmes, comme apprendre à coordonner ses yeux avec ce qu'il entend et voit. Ces étapes forment les étapes initiales d'un bébé construisant un modèle de son propre corps, avant d'essayer de comprendre toutes les complexités du monde qui l'entoure.

Nous avons appliqué un ensemble similaire de contraintes sur un robot en empêchant initialement diverses articulations de bouger pour simuler l'absence de contrôle musculaire. Nous avons également ajusté les images de la vision de la caméra du robot pour « voir » le monde comme le ferait un nouveau-né – une vue beaucoup plus floue que celle à laquelle les adultes sont habitués. Plutôt que de dire au robot comment se déplacer, nous pouvons lui permettre de découvrir cela par lui-même. L'avantage de ceci est que lorsque les étalonnages changent au fil du temps, ou lorsque les membres sont endommagés, le robot pourra s'adapter à ces changements et continuer à fonctionner.

Apprendre par le jeu

Nos études montrent qu'en appliquant ces contraintes à l'apprentissage, non seulement la vitesse à laquelle les nouvelles connaissances et compétences sont acquises augmente, mais la précision de ce qui est appris augmente aussi.

En donnant au robot le contrôle du moment où les contraintes sont levées, ce qui lui permet de mieux contrôler ses articulations et d'améliorer sa vision, le robot peut contrôler son propre taux d'apprentissage. En levant ces contraintes lorsque le robot a saturé son champ d'apprentissage actuel, nous pouvons simuler la croissance musculaire chez les nourrissons et permettre au robot de mûrir à son propre rythme.

Nous avons modélisé la façon dont un nourrisson apprend et simulé les 10 premiers mois de croissance. Au fur et à mesure que le robot apprenait les corrélations entre les mouvements moteurs qu'il effectuait et les informations sensorielles qu'il recevait, comportements stéréotypés observés chez les nourrissons, comme le « regard de la main » – où les enfants passent de longues périodes à regarder leurs mains pendant qu'ils bougent – ​​ont émergé dans le comportement du robot.

Au fur et à mesure que le robot apprend à coordonner son propre corps, la prochaine étape importante qu'il franchit commence à comprendre le monde qui l'entoure. Le jeu est une partie importante de l'apprentissage d'un enfant. Il les aide à explorer leur environnement, tester diverses possibilités et apprendre les résultats.

Initialement, cela peut être quelque chose d'aussi simple que de cogner une cuillère contre une table, ou essayer de mettre divers objets dans leur bouche, mais cela peut évoluer vers la construction de tours de blocs, faire correspondre les formes ou insérer des objets dans les bons trous. Toutes ces activités construisent des expériences qui serviront de base à des compétences plus tard, comme trouver la bonne clé pour s'adapter à une serrure et la motricité fine pour insérer la clé dans le trou de la serrure puis la tourner.

À l'avenir, s'appuyer sur ces techniques pourrait donner aux robots les moyens d'apprendre et de s'adapter aux environnements complexes et aux défis que les humains tiennent pour acquis dans la vie quotidienne. Un jour, cela pourrait signifier des robots soignants qui sont aussi à l'écoute des besoins humains et aussi capables d'y répondre qu'un autre humain.

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