Les systèmes d'intelligence artificielle sont intelligents. Ils peuvent reconnaître les modèles mieux que les humains, par exemple. Pourtant, les humains sont encore très nécessaires. Comment pouvez-vous mieux piloter ces systèmes d'IA ? Jan van Rijn, conférencier au LIACS, a écrit un livre à ce sujet avec un certain nombre de collègues. Nous lui avons posé quelques questions.

Que contient le livre et à qui est-il destiné ?

Ce livre traite des différents aspects du méta-apprentissage. Le méta-apprentissage signifie apprendre sur le processus d'apprentissage, il aide les experts en informatique à mieux gérer le processus d'apprentissage des systèmes d'IA. Le livre est destiné à donner aux collègues sur le terrain une vue unifiée des techniques actuelles dans le domaine du méta-apprentissage. Parce qu'il est librement accessible, il est également utilisé comme matériel pédagogique dans les cours de master.

Quel problème le méta-apprentissage résout-il ?

Van Rijn :Les systèmes d'intelligence artificielle reconnaissent mieux les modèles que les humains. Un certain nombre de conditions doivent alors être remplies. Par exemple, il doit y avoir suffisamment de données de bonne qualité et vous devez choisir un bon type de modèle.

Les types de modèles bien connus dans le domaine de la science des données comprennent les réseaux de neurones, les arbres de décision et les processus dits gaussiens (un type de modèle des mathématiques, éd.). Ces modèles peuvent reconnaître des modèles dans les données. Les types de modèles ont différents paramètres qui contrôlent le processus d'apprentissage. Tous ces paramètres doivent être choisis correctement. Lorsque cette condition est remplie, elle produit souvent d'excellentes performances, mais lorsqu'elle ne l'est pas, les performances des systèmes d'IA sont décevantes. Par conséquent, l'expertise humaine reste importante pour guider le processus d'apprentissage de ces systèmes.

Quelle solution a été trouvée à ce problème ?

Vous examinez ensuite les processus d'apprentissage antérieurs et déterminez si vous pouvez en transférer les leçons aux processus d'apprentissage futurs. Par exemple, vous pouvez aider l'expert humain à sélectionner un type de modèle ou à affiner les paramètres mentionnés ci-dessus.

À quoi d'autre le méta-apprentissage peut-il être utilisé ?

Par exemple, lorsqu'il y a peu de données disponibles. Dans certains cas, vous pouvez transférer des données d'un domaine vers un domaine où il y a peu de données disponibles. Cela peut être très utile pour des applications médicales, par exemple, où il y a souvent un manque de données.