Intelligence artificielle et réseaux neuronaux

 

« Tenter de distiller l'intelligence dans une construction algorithmique peut s’avérer être le meilleur chemin pour comprendre le fonctionnement de nos esprits. »

— Demis Hassabis, Nature, 23 février 2012.

 

 

Carte 3D de réseaux neuronaux
Carte 3D de réseaux neuronaux

L'apprentissage automatique

 

Pour résumer brièvement ce qu'est l'apprentissage machine on peut citer Arthur Samuel : «[l'apprentissage de la machine est le] champ d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmé".

 

L'origine de la création d'un réseau neuronal artificiel tient à l'analogie de fonctionnement d'un neurone (ci-dessous, à gauche) et d'un perceptron (à droite).

Un neurone biologique peut être considéré comme la sous - unité d'un réseau de neurones dans le cerveau. Des signaux de grandeurs variables arrivent aux dendrites. Ces signaux d'entrée sont ensuite accumulées dans le corps cellulaire du neurone. Si le signal résultant atteint un certain seuil, un signal de sortie est généré qui sera transmis par l'axone.

 

Avec le perceptron de Frank Rosenblatt (1957), il s'agit de trouver un algorithme déterminant les poids respectifs de signaux d'entrée pour aboutir à une fonction capable ou non de générer un signal. C'était un système mono-couche qui n'avait qu'une seule sortie à laquelle toutes les entrées étaient connectées.

 

Un quart de siècle plus tard on introduira la Rétro propagation (Rumelhart, Parker, Le Cun, 1985) c'est à dire de la "convergence d’un algorithme itératif d’adaptation des poids d’un réseau de neurones multi-couche" pour en venir à une théorie de l'apprentissage (Support Vector Machine, Vapnik, 1992).

 

Pour aller plus loin sur l'analogie neurone biologique/neurone artificiel

 

 

Des puces neuro-inspirées


Le deep learning, comment ça fonctionne ?

Google "neurone"
Google "neurone"

Avant de décrire le deep learning, il faut parler de l'apprentissage supervisé, une technique permettant aux machines d'apprendre.

 

Il s'agit d'une technique d'apprentissage automatique, où l'on cherche à produire automatiquement des règles, à partir d'une base de données contenant des exemples déjà validés.

Par exemple pour qu'un programme apprenne à reconnaître une voiture, la base de données contiendra des milliers d'images de voitures, mentionnées comme telles.

 

Le deep learning utilise lui aussi l'apprentissage supervisé, mais la structure de la machine, composée de milliers d'unités de neurones artificiels, va permettre d'aller beaucoup plus "profond" dans l'apprentissage.

 

 Pour reconnaître une personne, par exemple, la machine décompose l'image : d'abord le visage, les cheveux, la bouche, puis elle ira vers des propriétés de plus en plus fines (une cicatrice par exemple).

A chaque étape, le réseau de neurones approfondit sa compréhension de l'image avec une finesse accrue.

 

Sur l'image de gauche on voit le résultat en reconnaissance faciale avec quatre couches.

 

Le programme de deep learning de Google s'appelle "Google Brain", il est est lancé en 2011. Dès 2012 il conduit à un résultat spectaculaire : après avoir analysé dix millions de captures d'écran non étiquetées sur YouTube, la machine découvre par elle-même le concept de chat !

 

 « Ce qui est remarquable, c'est que le système a découvert le concept de chat lui-même. Personne ne lui a jamais dit que c'était un chat. Ça a marqué un tournant dans le machine learning »,  Andrew Ng, fondateur du projet Google Brain.

 

Depuis, Google Brain  s'est attaqué à bien d'autres sujets impliquant l'intelligence artificielle et les réseaux neuronaux, du véhicule sans conducteur au jeu de go. Il était donc tout naturel que Google l'utilise pour améliorer son outil Google Translate.

 

Neuron-Art by Google

Enfin, j'ai évoqué par ailleurs le programme «DeepDream », qui permet de visualiser un processus de deep learning, avec des résultats étonnants. Les formes repérées, analysées et interprétées dans une images ont visuellement « augmentées » par le programme.

" Si un nuage ressemble un peu à un oiseau, le réseau va le faire ressembler encore plus à un oiseau ".

 

Un travail surréaliste conduisant à des formes  qui se situent entre le rêve, le mirage et l’hallucination psychédélique ... Un rêve de machine !

 

Pour générer vos propres rêves de machines, voyez ICI

 

Néanmoins, les progrès de l'intelligence artificielle donnent plutôt des cauchemars à certains. Google à déjà mis en place un bouton rouge pour freiner les délires de quelques uns. Aussi, un partenariat sur l'éthique vient d'être finalisé entre quelques géants du web.

Voici une photo personnelle en réalité augmentée selon DeepDream de Google

Google DeepMind : nouvel exploit à Londres

"Google DeepMind est une entreprise britannique spécialisée dans l'intelligence artificielle, appelée à sa création DeepMind Technologies, fondée en 2010 par Demis Hassabis, Mustafa Suleyman et Shane Legg, rachetée en 2014 par Google."

 

Le coeur de métier de l'entreprise est la mise au point de réseaux neuronaux artificiels  que j'évoque ci-dessous.

 

Ces réseaux sont très performants dans les tâches qui impliquent la reconnaissance de formes, mais encore limités pour l'exécution d'instructions qui nécessitent une logique de base et un raisonnement complexe. C'est évidemment un souci pour le développement de l'intelligence artificielle (AI), qui doit permettre l'exécution de tâches complexes avec une supervision humaine minimale.

 

Les chercheurs avancent néanmoins à grand pas et la victoire de leur machine AlphaGo face  grand maître sud-coréen Lee Se-Dol, qui domine le jeu de Go depuis une décennie, a fait récemment sensation.

 

La publication dans le journal Nature du 12 octobre 2016, montre qu'un nouveau pas vient d'être franchi.

 

Avec leur " Differentiable neural computer " (ordinateur neuronal différentiable), ils ont réalisé un système capable d'appréhender la navigation dans le métro de Londres, sans aucune information préalable, en résolvant toute une série d'énigmes logiques.

 

En gros cela revient à reconstituer un puzzle totalement inconnu, avec un très grand nombre de pièces, sans avoir été programmé pour cela.

 

 

La traduction by Google

 

L'application de traduction de Google, "Google Translate", est très perfectible ! Vous êtes nombreux à vous arracher les cheveux devant la bouillie de mots crachée par le traducteur, pour une simple version anglais-français.

Pourtant le géant de Mountain View n'a pas lésiné sur les moyens pour arriver à ce médiocre résultat : ce sont des centaines de millions de traductions professionnelles qui ont été ingurgitées par les ordinateurs pour leur apprentissage, plus de 20 milliards de mots traités.

Voir vidéo ci-dessous.

 

 

Google a donc décidé d'employer les grands moyens : les réseaux neuronaux artificiels, domaine de l'intelligence artificielle où il est particulièrement actif.

 

VOIR sur ce site ICI

 

Le 27 septembre dernier, Google a annoncé la mise en place d'un nouvel algorithme, entièrement basé sur le "Deep Learning" (apprentissage en profondeur).

 

Pour l'instant le système est opérationnel pour l'anglais et le chinois, le français est en test. Le taux d'erreur a été réduit de 60%, il pourrait descendre à 85%, niveau des erreurs humaines !

 

L'intelligence artificielle restera-t'elle imprévisible ?

L'intelligence artificielle, basée sur les réseaux neuronaux, conduit à des résultats stupéfiants... parfois imprévisibles. Et cela fâche beaucoup de chercheurs !

 

En fait ils se trouvent devant un éprouvant paradoxe : plus on obtient les résultats souhaités... moins ont sait les expliquer.

 

La revue Nautilus traite de ce vrai problème au moment où ces réseaux neuronaux artificiels sont de plus en plus utilisés, notamment dans les services de santé. L'Union Européenne vient ainsi d'établir un «droit à l' explication» , qui permet aux citoyens d'exiger la transparence des décisions algorithmiques.