Comment l'intelligence artificielle peut-elle en savoir plus sur le processus d'apprentissage ?

Pour faire de nouveaux pas en avant dans l'avancement de l'intelligence artificielle, l'IA, comme le dit l'auteur Jun Wu Forbes, doivent "apprendre à apprendre". Qu'est-ce que cela signifierait ?

Comme l'explique Wu, "les humains ont la capacité unique d’apprendre de n’importe quelle situation ou environnement. Les humains peuvent adapter leur processus d’apprentissage. Pour pouvoir disposer d’une qualité aussi flexible, l’IA a besoin d’une intelligence générale artificielle – elle devrait se renseigner sur le processus d’apprentissage, ce qu’on appelle le méta-apprentissage.

Il existe un contraste très spécifique dans le processus d'apprentissage entre les humains et l'intelligence artificielle. Alors que la capacité humaine d'apprentissage est limitée, l'IA a beaucoup plus de ressources telles que sa puissance de calcul. Le cerveau humain a ses limites et il dispose également d'un temps limité pour apprendre. Mais, alors que l'IA "apprend de plus de données que les données utilisées par notre cerveau humain, le traitement de ces vastes quantités de données nécessite une immense puissance de calcul.

Wu explique que "à mesure que la complexité des tâches de l'IA augmente, il y a aussi une augmentation exponentielle de la puissance de calcul. Cela signifierait que même si le coût de la puissance de calcul est faible, «une augmentation exponentielle n'est jamais le scénario que nous voulons. C'est la principale raison pour laquelle, à l'heure actuelle, "l'IA est conçue pour être des apprenants à des fins spécifiques", ce qui rend leur processus d'apprentissage plus efficace.

Mais au fur et à mesure que l'IA commençait à en savoir plus, "apprendre à apprendre", il a commencé à "inférer à partir de données de complexité croissante". Pour éviter l'augmentation exponentielle de la puissance de calcul, un parcours d'apprentissage plus efficace devait être conçu, et l'IA devait se souvenir de ce parcours.

L'ensemble du problème est devenu encore plus complexe lorsque les chercheurs et les technologues ont commencé à attribuer des problèmes multitâches à l'IA. Pour pouvoir faire ça, l'IA "doit pouvoir évaluer en parallèle des ensembles de données indépendants. Il doit également relier des éléments de données et déduire des connexions sur ces données. Au fur et à mesure qu'une tâche est en cours, l'IA doit mettre à jour ses connaissances afin de pouvoir les appliquer dans d'autres situations. "Étant donné que les tâches sont interdépendantes, les évaluations des tâches devront être effectuées par l'ensemble du réseau."

Google a développé un tel modèle, Multimodèle, qui est un système d'IA qui "a appris à effectuer huit tâches différentes simultanément. Multimodèle peut détecter des objets dans des images, fournir des légendes, reconnaître la parole, traduire entre quatre paires de langues et effectuer une analyse de circonscription grammaticale.

Bien que la réussite de Google soit un grand pas en avant, l'IA doit encore faire de nouveaux progrès pour devenir un apprenant polyvalent. Pour y parvenir, il faudrait développer davantage le méta-raisonnement et le méta-apprentissage. Comme l'explique Wu, "le méta-raisonnement se concentre sur l'utilisation efficace des ressources cognitives. Le méta-apprentissage se concentre sur la capacité unique de l'homme à utiliser efficacement des ressources cognitives limitées et des données limitées pour apprendre.

Actuellement, des études sont menées pour comprendre les écarts entre la cognition humaine et la façon dont l'IA apprend, comme la conscience des états internes, la précision de la mémoire ou la confiance.

Tout cela signifie que "bevenir un apprenant généralisé artificiel nécessite des recherches approfondies sur la façon dont les humains apprennent ainsi que des recherches sur la façon dont l'IA peut imiter la façon dont les humains apprennent. S'adapter à de nouvelles situations, comme avoir la capacité d'effectuer plusieurs tâches à la fois et la capacité de prendre des « décisions stratégiques » avec des ressources limitées, ne sont que quelques-uns des obstacles que les chercheurs en IA surmonteront en cours de route.