Les machines qui s’enseignent les unes aux autres pourraient être la plus grande tendance de l’IA

« Plus il est facile de communiquer, plus vite le changement se produit. » James Burke, historien des sciences

L’exemple Tesla

Au cours d’une conférence de presse d’octobre 2015 annonçant la fonction de pilote automatique du Tesla Model S, qui a permis à la voiture de conduire de façon semi-autonome, le PDG de Tesla, Elon Musk, a déclaré que chaque conducteur deviendrait un  » formateur expert  » pour chaque modèle S. Chaque voiture pourrait améliorer ses propres caractéristiques autonomes en apprenant de son conducteur, mais plus important encore, lorsqu’un Tesla a appris de son propre conducteur – ce savoir pourrait alors être partagé avec tous les autres véhicules Tesla.

Comme Fred Lambert avec Electrek l’a rapporté peu de temps après, les propriétaires du modèle S ont remarqué à quel point les caractéristiques de la voiture sans conducteur s’amélioraient rapidement. Dans un exemple, Teslas prenait de mauvaises sorties le long des autoroutes, forçant leurs propriétaires à diriger manuellement la voiture sur la bonne route. Après seulement quelques semaines, les propriétaires ont remarqué que les voitures ne prenaient plus de sortie prématurée.

Tendance exponentielle

Les systèmes intelligents, comme ceux qui sont propulsés par les derniers logiciels d’apprentissage machine, ne sont pas seulement de plus en plus intelligents: ils le deviennent plus rapidement. La compréhension de la vitesse à laquelle ces systèmes évoluent peut représenter un défi particulier pour naviguer dans les changements technologiques.

Ray Kurzweil a beaucoup écrit sur les écarts de compréhension humaine entre ce qu’il appelle la vision « linéaire intuitive » du changement technologique et le rythme « exponentiel » du changement en cours. Près de deux décennies après avoir écrit l’essai influent sur ce qu’il appelle « La loi de l’accélération des retours » – une théorie du changement évolutionnaire qui se préoccupe de la vitesse à laquelle les systèmes s’améliorent par rapport aux dispositifs connectés dans le temps -, ils partagent maintenant leurs connaissances entre eux et accélèrent la vitesse à laquelle ils s’améliorent.

« Je pense que c’est peut-être la plus grande tendance exponentielle de l’IA », a déclaré Hod Lipson, professeur de génie mécanique et de science des données à l’Université Columbia, lors d’une entrevue récente.

Toutes les tendances technologiques exponentielles ont des « exposants » différents, a ajouté M. Lipson. « Mais celle-ci est potentiellement la plus grosse. »

Selon M. Lipson, c’est que l’on pourrait appeler « l’apprentissage par machine » – lorsque les appareils communiquent les connaissances acquises les uns aux autres – une accélération radicale de la vitesse à laquelle ces systèmes s’améliorent.

Parfois c’est coopératif, par exemple quand une machine apprend d’une autre comme un esprit de ruche. Mais parfois, c’est l’adversaire, comme dans une course aux armements entre deux systèmes qui jouent aux échecs l’un contre l’autre », a-t-il dit.

Contourner le besoin en données

M.  Lipson croit que cette façon de développer l’IA est importante, en partie parce qu’elle permet de contourner le besoin de données de formation.

Les données sont le combustible de l’apprentissage machine, mais même pour les machines, certaines données sont difficiles à obtenir – elles peuvent être risquées, lentes, rares ou coûteuses. Dans ces cas, les machines peuvent partager des expériences ou créer des expériences synthétiques entre elles afin d’augmenter ou de remplacer les données. Il s’avère qu’il ne s’agit pas d’un effet mineur, mais bien d’un effet auto-amplificateur, donc exponentiel. »

Lipson voit la récente percée de DeepMind de Google, un projet appelé AlphaGo Zero, comme un exemple étonnant d’apprentissage de l’IA sans données de formation. Beaucoup sont familiers avec AlphaGo, la machine d’apprentissage de l’IA qui est devenue le meilleur joueur de Go au monde après avoir étudié un jeu de données d’entraînement massif composé de millions de mouvements de Go humains. AlphaGo Zero, cependant, a été capable de battre même l’IA Go-playing, simplement en apprenant les règles du jeu et en jouant par lui-même – aucune donnée d’entraînement nécessaire. Ensuite, juste pour montrer, il a battu le meilleur logiciel de jeu d’échecs du monde après avoir commencé à partir de zéro et l’entraînement pour seulement huit heures.

Imaginez maintenant des milliers de Zéros AlphaGo ou plus partageant instantanément leurs connaissances acquises.

Mais ce ne sont pas que des jeux. Nous sommes déjà en train de voir comment cela aura un impact majeur sur la vitesse à laquelle les entreprises peuvent améliorer les performances de leurs appareils.

Un exemple en est la nouvelle technologie numérique jumelle industrielle de GE, une simulation logicielle d’une machine qui modélise ce qui se passe avec l’équipement. Considérez-la comme une machine avec sa propre image de soi – qu’elle peut aussi partager avec les techniciens.

Par exemple, une turbine à vapeur équipée d’un jumeau numérique peut mesurer la température de la vapeur, la vitesse du rotor, les démarrages à froid et d’autres données pour prédire les pannes et avertir les techniciens afin d’éviter des réparations coûteuses. Les jumeaux numériques font ces prédictions en étudiant leurs propres performances, mais ils s’appuient également sur des modèles que toutes les autres turbines à vapeur ont développés.

Au fur et à mesure que les machines commencent à apprendre de leurs environnements de façon nouvelle et puissante, leur développement est accéléré en communiquant ce qu’elles apprennent les unes des autres. L’intelligence collective de chaque turbine GE, répartie dans le monde entier, peut accélérer la capacité prédictive de chaque machine. Là où une voiture sans conducteur peut prendre beaucoup de temps pour apprendre à naviguer dans une ville en particulier – une centaine de voitures sans conducteur qui naviguent ensemble dans la même ville, partageant toutes ce qu’elles apprennent – peut améliorer leurs algorithmes en beaucoup moins de temps.

Au fur et à mesure que d’autres dispositifs alimentés par l’intelligence artificielle commencent à tirer parti de ce transfert de connaissances partagé, nous pourrions assister à un rythme de développement encore plus rapide. Donc, si vous pensez que les choses évoluent rapidement aujourd’hui, n’oubliez pas que nous ne faisons que commencer.

Laisser un commentaire