Qu'est-ce que l'apprentissage machine?

En décembre 2017, DeepMind, le laboratoire de recherche acquis par Google en 2014, a introduit AlphaZero, un programme d'intelligence artificielle qui pourrait vaincre les champions du monde à plusieurs jeux de société.

Fait intéressant, AlphaZero n'a reçu aucune instruction de l'homme sur la façon de jouer aux jeux (d'où son nom). Au lieu de cela, il a utilisé l'apprentissage automatique, une branche de l'IA qui développe son comportement par l'expérience plutôt que par des commandes explicites.

En moins de 24 heures, AlphaZero a obtenu une performance surhumaine aux échecs et a battu le précédent programme d'échecs champion du monde. Peu de temps après, l'algorithme d'apprentissage automatique d'AlphaZero maitrisait également le shogi (échecs japonais) et le jeu de société chinois Go, et avait vaincu son prédécesseur, AlphaGo, 100 à zéro.

L'apprentissage automatique est devenu populaire ces dernières années et aide les ordinateurs à résoudre des problèmes que l'on pensait auparavant être le domaine exclusif de l'intelligence humaine. Et même si nous sommes encore loin de la vision originale de l'intelligence artificielle, l'apprentissage automatique nous a beaucoup rapprochés de l'objectif ultime de créer des machines pensantes.

Quelle est la différence entre l'intelligence artificielle et l'apprentissage automatique?

Les approches traditionnelles du développement de l'intelligence artificielle impliquent de coder méticuleusement toutes les règles et connaissances définissant le comportement d'un agent d'intelligence artificielle. Lors de la création de l'IA basée sur des règles, les développeurs doivent écrire des instructions spécifiant le comportement de l'IA en réponse à toutes les situations possibles. Cette approche basée sur des règles, également connue sous le nom de bonne IA à l'ancienne (GOFAI) ou de symbolique, tente d'imiter les fonctions de raisonnement et de représentation des connaissances de l'esprit humain.

Stockfish est un exemple parfait d’intelligence artificielle symbolique. Il s’agit d’un moteur d’échecs open source de premier plan depuis plus de 10 ans. Des centaines de programmeurs et de joueurs d’échecs ont contribué à Stockfish et contribué à l’élaboration de sa logique en codant ses règles - par exemple, ce que l’intelligence artificielle devrait faire lorsque l’opposant déplace son chevalier de B1 à C3.

Mais l'IA basée sur des règles casse souvent lorsqu'il s'agit de situations où les règles sont trop complexes et implicites. La reconnaissance de la parole et des objets dans les images, par exemple, est une opération avancée qui ne peut être exprimée dans des règles logiques.

Contrairement à l'IA symbolique, les modèles d'IA d'apprentissage automatique sont développés non pas en écrivant des règles, mais en rassemblant des exemples. Par exemple, pour créer un moteur d’échecs basé sur l’apprentissage automatique, un développeur crée un algorithme de base qu’il «forme» ensuite avec des données provenant de milliers de jeux d’échecs précédemment joués. En analysant les données, l'IA trouve des modèles communs qui définissent des stratégies gagnantes, qu'elle peut utiliser pour vaincre de vrais adversaires.

Plus l'IA examine de jeux, plus il est facile de prédire les coups gagnants au cours d'une partie. C'est pourquoi l'apprentissage automatique est défini comme un programme dont les performances s'améliorent avec l'expérience.

L'apprentissage automatique est applicable à de nombreuses tâches du monde réel, notamment la classification des images, la reconnaissance vocale, la recommandation de contenu, la détection de la fraude et le traitement du langage naturel.

Apprentissage supervisé et non supervisé

En fonction du problème qu'ils souhaitent résoudre, les développeurs préparent des données pertinentes pour construire leur modèle d'apprentissage automatique. Par exemple, s'ils souhaitaient utiliser le machine learning pour détecter les transactions bancaires frauduleuses, les développeurs compileraient une liste des transactions existantes et les étiqueteraient avec leur résultat (frauduleux ou valide). Quand ils introduisent les données dans l'algorithme, celui-ci sépare les transactions frauduleuses et les transactions valides et trouve les caractéristiques communes dans chacune des deux classes. Le processus de formation de modèles avec des données annotées est appelé "apprentissage supervisé" et constitue actuellement la forme dominante d'apprentissage automatique.

De nombreux référentiels en ligne de données étiquetées pour différentes tâches existent déjà. Quelques exemples populaires sont ImageNet, un ensemble de données open source de plus de 14 millions d'images étiquetées, et MNIST, un ensemble de données de 60 000 chiffres manuscrits étiquetés. Les développeurs en apprentissage automatique utilisent également des plates-formes telles que Mechanical Turk, un centre de recrutement en ligne et à la demande d'Amazon permettant d'effectuer des tâches cognitives telles que l'étiquetage d'images et d'échantillons audio. Et un secteur en croissance de startups se spécialise dans l'annotation de données.

Mais tous les problèmes ne nécessitent pas de données étiquetées. Certains problèmes d’apprentissage automatique peuvent être résolus grâce à un «apprentissage non supervisé», dans lequel vous fournissez au modèle d’IA des données brutes et le laissez déterminer lui-même les modèles pertinents.

La détection des anomalies est une utilisation courante de l’apprentissage non supervisé. Par exemple, un algorithme d'apprentissage automatique peut entraîner des données brutes sur le trafic réseau d'un périphérique connecté à Internet, par exemple un réfrigérateur intelligent. Après la formation, l'IA établit une base de référence pour le périphérique et peut signaler un comportement aberrant. Si le périphérique est infecté par un logiciel malveillant et commence à communiquer avec des serveurs malveillants, le modèle d'apprentissage automatique pourra le détecter, car le trafic réseau diffère du comportement normal observé lors de la formation.

Apprentissage par renforcement

À présent, vous savez probablement que la qualité des données de formation joue un rôle déterminant dans l'efficacité des modèles d'apprentissage automatique. Mais l' apprentissage par renforcement est un type spécialisé d'apprentissage machine dans lequel une IA développe son comportement sans utiliser les données précédentes.

Les modèles d'apprentissage par renforcement commencent par une table rase. Ils ne sont informés que des règles de base de leur environnement et de la tâche à accomplir. Par essais et erreurs, ils apprennent à optimiser leurs actions pour atteindre leurs objectifs.

AlphaZero de DeepMind est un exemple intéressant d'apprentissage par renforcement. Contrairement à d’autres modèles d’apprentissage automatique, qui doivent comprendre comment les humains jouent aux échecs et en tirer des enseignements, AlphaZero n’a commencé qu’à connaître les mouvements des pièces et les conditions de victoire du jeu. Après cela, il a joué des millions de matches contre lui-même, en commençant par des actions aléatoires et en développant progressivement des schémas comportementaux.

L'apprentissage par renforcement est un domaine de recherche en plein essor. C'est la principale technologie utilisée pour développer des modèles d'IA capables de maîtriser des jeux complexes tels que Dota 2 et StarCraft 2, mais également pour résoudre des problèmes concrets tels que la gestion des ressources de centres de données et la création de mains robotiques pouvant gérer des objets avec une dextérité humaine..

L'apprentissage en profondeur

L'apprentissage en profondeur est un autre sous-ensemble populaire de l'apprentissage automatique. Il utilise des réseaux de neurones artificiels, des constructions logicielles inspirées grossièrement par la structure biologique du cerveau humain.

Les réseaux de neurones excellent pour le traitement de données non structurées telles que des images, de la vidéo, de l'audio et de longs extraits de texte tels que des articles et des documents de recherche. Avant un apprentissage en profondeur, les experts en apprentissage automatique devaient déployer beaucoup d'efforts pour extraire des fonctionnalités d'images et de vidéos et utiliseraient leurs algorithmes par dessus. Les réseaux de neurones détectent automatiquement ces fonctionnalités sans nécessiter beaucoup d’ingénieurs humains.

L’apprentissage en profondeur est à l’origine de nombreuses technologies d’intelligence artificielle modernes, telles que les voitures sans conducteur, les systèmes de traduction avancés et la technologie de reconnaissance faciale de votre iPhone X.

Les limites de l'apprentissage automatique

Les gens confondent souvent l'apprentissage automatique avec l'intelligence artificielle, et les services de marketing de certaines entreprises utilisent intentionnellement les termes de manière interchangeable. Mais si l'apprentissage automatique a beaucoup progressé dans la résolution de problèmes complexes, il est encore loin d'avoir créé les machines à penser imaginées par les pionniers de l'IA.

En plus d'apprendre de l'expérience, la véritable intelligence nécessite du raisonnement, du bon sens et de la pensée abstraite, des domaines dans lesquels les modèles d'apprentissage automatique fonctionnent très mal.

Par exemple, bien que l’apprentissage automatique soit efficace dans les tâches complexes de reconnaissance des formes telles que la prévision du cancer du sein cinq ans à l’avance, il se débat avec une logique plus simple et des tâches de raisonnement telles que la résolution de problèmes de mathématiques au niveau secondaire.

Le manque de capacité de raisonnement de l'apprentissage automatique rend difficile la généralisation de ses connaissances. Par exemple, un agent d'apprentissage automatique capable de jouer à Super Mario 3 comme un pro ne dominera pas sur un autre jeu de plateforme, tel que Mega Man, ou même sur une autre version de Super Mario. Il faudrait qu'il soit formé à partir de zéro.

Sans le pouvoir d'extraire des connaissances conceptuelles de l'expérience, les modèles d'apprentissage automatique nécessitent des tonnes de données d'apprentissage. Malheureusement, de nombreux domaines manquent de données de formation ou ne disposent pas des fonds nécessaires pour en acquérir davantage. L'apprentissage en profondeur, qui est maintenant la forme prédominante d'apprentissage automatique, souffre également d'un problème d'explicabilité: les réseaux de neurones fonctionnent de manière compliquée et même leurs créateurs peinent à suivre leurs processus de prise de décision. Cela rend difficile l'utilisation de la puissance des réseaux de neurones dans des contextes où il est légalement nécessaire d'expliquer les décisions relatives à l'IA.

Heureusement, des efforts sont déployés pour dépasser les limites de l'apprentissage automatique. Un exemple notable est une initiative généralisée de la DARPA, la branche de recherche du ministère de la Défense, visant à créer des modèles explicables d'IA.

• Qu'est-ce que l'intelligence artificielle (IA)? Qu'est-ce que l'intelligence artificielle (IA)?
• La plupart des dollars IA vont à l'apprentissage automatique La plupart des dollars IA vont à l'apprentissage automatique
• Comment voulez-vous voir l'IA utilisé? Comment voulez-vous voir l'IA utilisé?

D'autres projets visent à réduire la dépendance excessive de l'apprentissage automatique aux données annotées et à rendre la technologie accessible aux domaines pour lesquels les données de formation sont limitées. Des chercheurs d'IBM et du MIT ont récemment fait un pas en avant en combinant l'IA symbolique avec des réseaux de neurones. Les modèles IA hybrides nécessitent moins de données pour la formation et peuvent fournir des explications détaillées de leurs décisions.

Reste à savoir si l'évolution de l'apprentissage automatique nous aidera à atteindre l'objectif toujours insaisissable de créer une IA humaine. Mais ce que nous savons avec certitude, c’est que, grâce aux progrès de l’apprentissage automatique, les appareils installés sur notre bureau et dans nos poches sont de plus en plus intelligents.