Naviguer la courbe d’apprentissage : la lutte de l’IA contre la perte de mémoire

Alors que les limites de l’intelligence artificielle (IA) s’étendent continuellement, les chercheurs sont confrontés à l’un des plus grands défis du domaine : la perte de mémoire. Connue sous le nom de “oubli catastrophique” en termes d’IA, ce phénomène entrave considérablement les progrès de l’apprentissage automatique, mimant la nature évasive des souvenirs humains. Une équipe d’ingénieurs électriques de l’Université d’État de l’Ohio étudie comment l’apprentissage continu, la capacité d’un ordinateur à acquérir constamment des connaissances à partir d’une série de tâches, affecte les performances globales des agents d’IA.

Combler le fossé entre l’apprentissage humain et l’apprentissage automatique

Ness Shroff, un éminent chercheur de l’Ohio et professeur de sciences et d’ingénierie informatique à l’Université d’État de l’Ohio, souligne la criticité de surmonter cet obstacle. “Lorsque les applications de conduite automatisée ou d’autres systèmes robotiques apprennent de nouvelles choses, il est important qu’ils n’oublient pas les leçons qu’ils ont déjà apprises pour notre sécurité et la leur”, déclare Shroff. Il poursuit : “Notre recherche explore les complexités de l’apprentissage continu dans ces réseaux neuronaux artificiels, et ce que nous avons découvert sont des insights qui commencent à combler le fossé entre la façon dont une machine apprend et la façon dont un humain apprend.”

Les recherches révèlent que, semblable aux humains, les réseaux neuronaux artificiels excellent dans la rétention d’informations lorsqu’ils sont confrontés à des tâches diverses successivement plutôt qu’à des tâches avec des caractéristiques chevauchantes. Cette insight est cruciale pour comprendre comment l’apprentissage continu peut être optimisé dans les machines pour ressembler étroitement aux capacités cognitives humaines.

Le rôle de la diversité des tâches et de la séquence dans l’apprentissage automatique

Les chercheurs sont sur le point de présenter leurs résultats à la 40e conférence annuelle sur l’apprentissage automatique à Honolulu, à Hawaï, un événement phare dans le domaine de l’apprentissage automatique. La recherche met en lumière les facteurs qui contribuent à la durée de temps pendant laquelle un réseau artificiel retient des connaissances spécifiques.

Shroff explique : “Pour optimiser la mémoire d’un algorithme, des tâches dissimilaires doivent être enseignées tôt dans le processus d’apprentissage continu. Cette méthode élargit la capacité du réseau à de nouvelles informations et améliore sa capacité à apprendre ultérieurement des tâches plus similaires.” Ainsi, la similarité des tâches, les corrélations positives et négatives, et la séquence d’apprentissage influencent considérablement la rétention de mémoire dans les machines.

L’objectif de ces systèmes d’apprentissage dynamiques et à vie longue est d’accélérer le rythme auquel les algorithmes d’apprentissage automatique peuvent être mis à l’échelle et de les adapter pour gérer des environnements en évolution et des situations imprévues. L’objectif ultime est de permettre à ces systèmes de refléter les capacités d’apprentissage humaines.

La recherche menée par Shroff et son équipe, y compris les chercheurs postdoctoraux de l’Ohio State Sen Lin et Peizhong Ju et les professeurs Yingbin Liang, jette les bases pour des machines intelligentes qui pourraient s’adapter et apprendre à la manière des humains. “Notre travail annonce une nouvelle ère de machines intelligentes qui peuvent apprendre et s’adapter comme leurs homologues humains”, déclare Shroff, soulignant l’impact significatif de cette étude sur notre compréhension de l’IA.