Vidéo: La prochaine révolution de l'Intelligence artificielle - Yann LeCun, à l'USI (Novembre 2024)
Lors d'un atelier sur l'intelligence artificielle et l'avenir du travail qui s'est tenu plus tôt ce mois-ci, Yann LeCun, directeur de la recherche sur l'intelligence artificielle chez Facebook et directeur fondateur du Centre for Data Science de l'Université de New York (NYU), a parlé du "pouvoir et des limites de l'apprentissage en profondeur". LeCun, qui a été le pionnier des réseaux de neurones convolutifs à la base de nombreuses avancées récentes en IA, était à la fois enthousiasmé par les progrès accomplis par le secteur ces dernières années et réaliste quant à ce que ces systèmes peuvent et doivent faire.
LeCun a déclaré qu'il existait de multiples vagues d'IA, soulignant que si la vague actuelle était axée sur l'apprentissage en profondeur, il s'agissait de la "perception", les principaux exemples étant des applications telles que l'imagerie médicale et les voitures autonomes. Presque toutes ces applications utilisent l'apprentissage supervisé et la plupart utilisent des réseaux de neurones convolutifs, décrits par LeCun en 1989 et déployés pour la première fois en reconnaissance de caractères dans les distributeurs automatiques de billets en 1995. LeCun a annoncé que le brevet sur ces réseaux avait expiré en 2007.
Ce sont les grands ensembles de données avec des échantillons de grande taille ainsi que les énormes augmentations de la puissance de calcul (aidées par le travail de Geoffrey Hinton pour comprendre comment utiliser les GPU pour la reconnaissance d'images) qui ont entraîné le plus de changements ces dernières années. Même pour LeCun, les progrès de la reconnaissance d'image ont été "rien de moins qu'étonnant". Bien que la perception "fonctionne vraiment", ce qui manque encore, c'est le raisonnement.
LeCun a parlé de trois types d'approches différentes et des limites de chacune d'entre elles. L'apprentissage par renforcement nécessite un grand nombre d'échantillons. C'est génial pour les jeux, car le système peut exécuter des millions d'essais et s'améliorer, mais il est difficile à utiliser dans le monde réel, car vous ne voulez pas conduire une voiture d'une falaise 50 millions de fois, par exemple, et le temps réel est un facteur dans le monde réel.
L’apprentissage supervisé, qui est la plupart de ce que nous voyons à présent, nécessite une moyenne de retour d’information et fonctionne bien. Cependant, l'apprentissage automatique supervisé présente quelques problèmes. LeCun a déclaré que de tels systèmes reflétaient des biais dans les données, bien qu'il soit optimiste que ce problème puisse être surmonté et qu'il soit plus facile d'éliminer les biais des machines par rapport aux personnes. Mais il est également difficile de vérifier la fiabilité de ces systèmes et d'expliquer les décisions prises sur la base des résultats obtenus, et LeCun a cité l'exemple des demandes de prêt.
L'apprentissage non supervisé ou prédictif, qui fait actuellement l'objet de recherches, telles que la prédiction de futures images dans une vidéo, nécessite beaucoup de retour d'informations. L'apprentissage non supervisé implique de prédire le passé, le présent ou l'avenir à partir de toute information disponible, ou en d'autres termes, la capacité de remplir les blancs, ce qui, selon LeCun, est en réalité ce que nous appelons le sens commun. Il a indiqué que les bébés pouvaient le faire, mais qu'il était très difficile d'obtenir des machines. Il a également expliqué comment les chercheurs travaillent sur des techniques telles que les réseaux de confrontation générative (GAN) pour les prédictions effectuées dans des conditions incertaines. Nous sommes loin d'avoir une solution complète, a-t-il déclaré.
LeCun a décrit les trois types d’apprentissage comme faisant partie d’un gâteau: l’apprentissage par renforcement est la cerise sur le gâteau, l’apprentissage supervisé du glaçage et l’apprentissage prédictif est l’essentiel du gâteau.
LeCun a prédit que l'intelligence artificielle allait changer la façon dont les biens sont construits avec des robots coûtant moins cher et les expériences humaines authentiques coûtant plus cher, ce qui pourrait signifier un avenir prometteur pour les musiciens et artisans de jazz.
Dans l'ensemble, LeCun a déclaré que l'intelligence artificielle est une technologie générique, comme la machine à vapeur, l'électricité ou l'ordinateur. En tant que tel, il affectera de nombreux secteurs de l’économie, mais il faudra 10 ou 20 ans avant de voir un effet sur la productivité. LeCun a déclaré que l'intelligence artificielle entraînerait le remplacement d'emplois, mais a souligné que le déploiement de la technologie est limité par la rapidité avec laquelle les travailleurs peuvent se former.
En ce qui concerne "une véritable révolution de l'IA", a déclaré LeCun, cela ne se produira pas tant que les machines n'auront pas acquis le sens commun, et déterminer les principes pour la construire risque de prendre deux, cinq, vingt ou plus années; au-delà, il faudra ensuite des années pour développer une technologie d'IA pratique basée sur ces principes. Après tout, a-t-il noté, il a fallu vingt ans pour que les réseaux convolutionnels deviennent importants. Et tout cela est basé sur l'hypothèse que les principes sont simples; cela devient beaucoup plus compliqué si "l'intelligence est un kludge".
