Comment l’intelligence artificielle peut-elle apprendre sur le processus d’apprentissage ?

Pour faire de nouveaux bonds en avant dans le développement de l’intelligence artificielle, l’IA devrait, comme l’auteur Jun Wu l’explique dans Forbes, « apprendre à apprendre ». Qu’est-ce que cela signifierait ?

Comme Wu l’explique, « les humains ont la capacité unique d’apprendre de toute situation ou environnement. » Les humains peuvent adapter leur processus d’apprentissage. Pour avoir une telle qualité flexible, l’IA a besoin d’une intelligence artificielle générale – elle devrait apprendre sur le processus d’apprentissage, ce qu’on appelle la meta-apprentissage.

Il y a une différence très spécifique dans le processus d’apprentissage entre les humains et l’intelligence artificielle. Alors que la capacité d’apprentissage humaine est limitée, l’IA a beaucoup plus de ressources telles que sa puissance de calcul. La puissance cérébrale humaine a des limites et elle a également un temps limité pour apprendre. Mais, alors que l’IA « apprend à partir de plus de données que les données que notre cerveau utilise, le traitement de ces vastes quantités de données nécessite une puissance de calcul immense. »

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

Mais à mesure que l’IA a commencé à apprendre davantage, « en apprenant à apprendre », elle a commencé à « déduire à partir de données de complexité croissante. » Pour éviter l’augmentation exponentielle de la puissance de calcul, un chemin d’apprentissage plus efficace devait être conçu, et l’IA devait se souvenir de ce chemin.

Le problème est devenu encore plus complexe lorsque les chercheurs et les technologistes ont commencé à attribuer des problèmes de multitâche à l’IA. Pour être en mesure de le faire, l’IA « a besoin d’être capable d’évaluer des ensembles de données indépendants en parallèle. Elle a également besoin de relier des pièces de données et de déduire des connexions sur ces données. » Alors qu’une tâche est en cours, l’IA doit mettre à jour ses connaissances afin qu’elle puisse les appliquer dans d’autres situations. « Puisque les tâches sont interconnectées, les évaluations des tâches devront être effectuées par l’ensemble du réseau. »

Google (GOOGL ) a développé un tel modèle, MultiModel, qui est un système d’IA qui « a appris à effectuer huit tâches différentes simultanément. MultiModel peut détecter des objets dans des images, fournir des légendes, reconnaître la parole, traduire entre quatre paires de langues et effectuer une analyse grammaticale de constitution.

Alors que la réalisation de Google est un grand bond en avant, l’IA doit encore faire de grands progrès pour devenir un apprentissage à des fins générales. Pour atteindre cet objectif, elle devrait développer davantage la métaraisonnement et la meta-apprentissage. Comme Wu l’explique, « la métaraisonnement se concentre sur l’utilisation efficace des ressources cognitives. La meta-apprentissage se concentre sur la capacité unique des humains à utiliser efficacement les ressources cognitives limitées et les données limitées pour apprendre. »

Actuellement, des études sont menées pour déterminer les lacunes entre la cognition humaine et la façon dont l’IA apprend, telles que la conscience des états internes, la précision de la mémoire ou la confiance.

Tout cela signifie que « devenir un apprentissage artificiel généralisé nécessite une recherche approfondie sur la façon dont les humains apprennent, ainsi que sur la façon dont l’IA peut imiter la façon dont les humains apprennent. Pour s’adapter à de nouvelles situations telles que la capacité de « multitâche » et la capacité de prendre des « décisions stratégiques » avec des ressources limitées, sont juste quelques-uns des obstacles que les chercheurs en IA surmonteront en cours de route. »