Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chaire (Amii) – Série d’entretiens

Dr. Patrick M. Pilarski est un titulaire de la chaire de l’IA du CIFAR au Canada, un ancien titulaire de la chaire de recherche du Canada en intelligence machine pour la réadaptation et un professeur agrégé au sein de la division de médecine physique et de réadaptation, département de médecine, Université de l’Alberta.

En 2017, le Dr Pilarski a co-fondé le premier bureau de recherche international de DeepMind, situé à Edmonton, en Alberta, où il a occupé le poste de co-responsable du bureau et de scientifique de recherche senior jusqu’en 2023. Il est membre et membre du conseil d’administration de l’Institut d’intelligence machine de l’Alberta (Amii), co-dirige le laboratoire BLINC (Bionic Limbs for Improved Natural Control) et est chercheur principal au sein du laboratoire de réadaptation et d’apprentissage automatique (RLAI) et du réseau de technologie de réadaptation sensori-motrice (SMART) à l’Université de l’Alberta.

Le Dr Pilarski est l’auteur ou co-auteur de plus de 120 articles évalués par des pairs, membre senior de l’IEEE et a bénéficié de subventions de recherche provinciales, nationales et internationales.

Nous nous sommes assis pour une entrevue lors de la conférence annuelle 2023 Upper Bound sur l’IA qui se tient à Edmonton, AB et est organisée par Amii (Institut d’intelligence machine de l’Alberta).

Comment vous êtes-vous retrouvé dans le domaine de l’IA ? Qu’est-ce qui vous a attiré dans l’industrie ?

Ces deux questions sont distinctes. En termes de ce qui m’attire dans l’IA, il y a quelque chose de beau dans la façon dont la complexité peut émerger et dont la structure peut émerger de la complexité. L’intelligence est juste l’un de ces exemples incroyables, que ce soit issu de la biologie ou de la façon dont nous voyons des comportements élaborés émerger dans les machines, je pense qu’il y a quelque chose de beau dans cela. Cela m’a toujours fasciné depuis très longtemps, et mon parcours sinueux pour travailler dans le domaine de l’IA dans lequel je travaille maintenant, qui est les machines qui apprennent par essais et erreurs, les systèmes de renforcement qui interagissent avec les humains tandis qu’ils sont tous deux immergés dans le flux d’expérience, a traversé toutes sortes de plateaux différents.

Je me suis intéressé à la façon dont les machines et les humains pourraient interagir en termes de dispositifs biomécatroniques et de biotechnologie, des choses comme les membres artificiels et les prothèses.

Je me suis penché sur la façon dont l’IA peut être utilisée pour soutenir les diagnostics médicaux, sur la façon dont nous pouvons utiliser l’intelligence machine pour commencer à comprendre les modèles qui conduisent à la maladie ou à la façon dont les différentes maladies pourraient se présenter en termes d’enregistrements sur une machine. Mais tout cela fait partie de ce long cheminement pour vraiment commencer à apprécier comment on peut obtenir des comportements très complexes à partir de fondements très simples. Et c’est ce que j’aime vraiment, surtout à propos de l’apprentissage par renforcement, c’est l’idée que la machine peut s’immerger dans le flux du temps et apprendre de son expérience pour exposer des comportements très complexes et capturer à la fois les phénomènes complexes, vraiment, dans le monde qui l’entoure.

La mécanique de tout cela, j’ai effectué beaucoup de formations en médecine du sport et des choses comme ça au lycée. J’ai étudié la médecine du sport et maintenant, me voici travaillant dans un environnement où je regarde comment l’intelligence machine et les technologies de réadaptation se réunissent pour soutenir les gens dans leur vie quotidienne. C’est un voyage très intéressant, comme la fascination latérale pour les systèmes complexes et la complexité, et puis les aspects très pratiques de la façon dont nous commençons à réfléchir à la façon dont les humains peuvent être mieux soutenus, vivre la vie qu’ils veulent vivre.

Comment les sports vous ont-ils mené aux prothèses ?

Ce qui est vraiment intéressant dans des domaines comme la médecine du sport, c’est regarder le corps humain et la façon dont les besoins uniques d’une personne, qu’il s’agisse de sport ou d’autre chose, peuvent en fait être soutenus par d’autres personnes, par des procédures et des processus. Les membres bioniques et les technologies de prothèse sont sur la construction de dispositifs, de systèmes, de technologies qui aident les gens à vivre la vie qu’ils veulent vivre. Ces deux choses sont vraiment étroitement liées.

C’est en fait très excitant de pouvoir revenir en arrière et faire que certains de ces intérêts plus anciens se concrétisent, notamment en co-dirigeant un laboratoire où nous regardons… Et surtout les systèmes d’apprentissage automatique qui travaillent de manière étroitement couplée avec la personne qu’ils sont censés soutenir.

Vous avez précédemment discuté de la façon dont une prothèse s’adapte à la personne au lieu de la personne s’adaptant à la prothèse. Pouvez-vous en parler ?

Absolument. Comme fondement dans l’histoire de l’utilisation des outils, les humains se sont adaptés à leurs outils, puis nous avons adapté nos outils à nos besoins. Et il y a ce processus itératif de nous adapter à nos outils. Nous sommes actuellement à un point d’inflexion où, pour la première fois, nous pouvons imaginer construire des outils qui intègrent certaines des caractéristiques de l’intelligence humaine. Des outils qui vont en fait s’adapter et s’améliorer pendant qu’ils sont utilisés par une personne.

Les technologies sous-jacentes soutiennent l’apprentissage continu. Les systèmes qui peuvent apprendre en continu à partir d’un flux d’expérience en cours. Dans ce cas, l’apprentissage par renforcement et les mécanismes qui sous-tendent cela, des choses comme l’apprentissage par différence temporelle, sont vraiment critiques pour construire des systèmes qui peuvent continuellement s’adapter pendant qu’ils interagissent avec une personne et pendant qu’ils sont utilisés par une personne pour la soutenir dans sa vie quotidienne.

Pouvez-vous définir l’apprentissage par différence temporelle ?

Absolument, ce que j’aime vraiment dans cela, c’est que nous pouvons réfléchir aux technologies de base, à l’apprentissage par différence temporelle et aux algorithmes d’apprentissage de prédiction fondamentaux qui sous-tendent la plupart de ce sur quoi nous travaillons au laboratoire. Vous avez un système qui, comme nous, fait une prédiction sur la façon dont l’avenir va se présenter par rapport à un signal, par rapport à quelque chose comme la récompense future qui est ce que nous voyons généralement.

Comment je peux prédire la force que je vais exercer en tant que bras robotique qui soulève une tasse de café ou une tasse d’eau ? Cela peut consister à regarder la différence entre ma prédiction sur la quantité de force que je vais exercer maintenant et ma prédiction sur la quantité de force que je vais exercer dans le futur, ainsi que tout signal que je reçois actuellement.

Et puis, mettre tout cela ensemble, et vous obtenez cette erreur, l’erreur de différence temporelle. C’est une accumulation agréable de la prévision temporellement étendue dans le futur et des différences entre elles, que vous pouvez ensuite utiliser pour mettre à jour la structure de la machine d’apprentissage elle-même.

Et ainsi, encore une fois, pour l’apprentissage par renforcement classique basé sur la récompense, cela pourrait consister à mettre à jour la façon dont la machine agit en fonction de la récompense attendue dans le futur. Pour beaucoup de ce que nous faisons, il s’agit de regarder d’autres types de signaux, en utilisant des fonctions de valeur généralisées, qui sont l’adaptation du processus d’apprentissage par renforcement, de l’apprentissage par différence temporelle des signaux de récompense à tout type de signal d’intérêt qui pourrait être applicable au fonctionnement de la machine.

Vous parlez souvent d’une prothèse appelée le Cairo Toe dans vos présentations. Qu’est-ce qu’il a à nous apprendre ?

Le Cairo Toe Université de Bâle, LHTT. Image: Matjaž Kačičnik

J’aime utiliser l’exemple du Cairo Toe, une prothèse il y a 3000 ans. Je travaille dans le domaine des neuroprothèses, nous voyons maintenant des systèmes robotiques très avancés qui peuvent, dans certains cas, avoir le même niveau de contrôle ou les mêmes degrés de contrôle que les membres biologiques. Et pourtant, je reviens à une prothèse en bois très stylisée il y a 3000 ans.

Je pense que ce qui est agréable, c’est qu’il s’agit d’un exemple d’humains qui s’étendent avec la technologie. C’est ce que nous voyons actuellement en termes de neuroprothèses et d’interaction homme-machine, ce n’est pas quelque chose de nouveau, de bizarre ou de loufoque. Nous avons toujours été des utilisateurs d’outils, les animaux non humains utilisent également des outils. Il y a de nombreux excellents livres sur ce sujet, notamment celui de Frans de Waal, « Are We Smart Enough to Know How Smart Animals Are? ».

Cette extension de nous-mêmes, l’augmentation et l’amélioration de nous-mêmes à travers l’utilisation d’outils, n’est pas quelque chose de nouveau, c’est quelque chose d’ancien. C’est quelque chose qui se produit depuis des temps immémoriaux, sur le terrain même où nous sommes, par les gens qui y vivaient.

L’autre chose intéressante à propos du Cairo Toe, c’est que les preuves, du moins selon les rapports universitaires à ce sujet, montrent qu’il a été adapté à plusieurs reprises au cours de ses interactions avec ses utilisateurs. Ils ont en fait modifié et personnalisé pendant son utilisation.

Ma compréhension, ce n’était pas juste un outil fixe qui était attaché à une personne pendant sa vie, c’était un outil fixe qui était attaché mais également modifié. C’est un exemple de la façon dont, encore une fois, l’idée que les outils sont adaptés pendant leur durée d’utilisation est en fait quelque chose d’ancien. Ce n’est pas quelque chose de nouveau, et il y a beaucoup de leçons que nous pouvons tirer de la co-adaptation des gens et des outils sur de nombreuses années.

Vous avez précédemment mentionné le chemin de rétroaction entre les prothèses et l’humain, pouvez-vous élargir sur le chemin de rétroaction ?

Nous sommes également à une époque spéciale en termes de la façon dont nous considérons la relation entre une personne et la machine qui vise à la soutenir dans sa vie quotidienne. Lorsqu’une personne utilise un membre artificiel, disons quelqu’un avec une différence de membre, quelqu’un avec une amputation qui utilise un membre artificiel.

Traditionnellement, ils l’utiliseraient très beaucoup comme un outil, comme une extension de leur corps, mais nous les voyons largement en train de s’appuyer sur ce que nous considérons comme le chemin de contrôle. Que certains sens de leur roue ou de leur intention est transmis à ce dispositif, qui est ensuite chargé de déterminer ce qu’il est, puis d’exécuter cela, que ce soit ouvrir et fermer une main ou plier un coude ou créer une prise de pince pour saisir une clé.

Nous ne voyons pas souvent les gens étudier ou considérer le chemin de rétroaction. Un grand nombre de membres artificiels que vous pourriez voir déployés commercialement, le chemin d’information qui va du dispositif à la personne pourrait être le couplage mécanique, la façon dont ils ressentent réellement les forces du membre et agissent à leur égard.

Cela pourrait être eux qui entendent le grincement des moteurs ou qui regardent pendant qu’ils ramassent un poignet et le déplacent sur un bureau ou qu’ils le saisissent à partir d’une autre partie de leur espace de travail. Et ces chemins sont les moyens traditionnels de le faire. Il y a des choses incroyables qui se passent partout dans le monde pour regarder comment l’information pourrait être mieux transmise d’un membre artificiel à la personne qui l’utilise.

Notamment même ici à Edmonton, il y a beaucoup de travail vraiment cool qui utilise la réorganisation du système nerveux, la rénovation ciblée des nerfs et d’autres choses pour soutenir ce chemin. Mais il s’agit toujours d’un domaine d’étude émergent très chaud pour réfléchir à la façon dont l’apprentissage automatique soutient les interactions par rapport à ce chemin de rétroaction.

Comment l’apprentissage automatique peut-il soutenir un système qui perçoit et prédit beaucoup de choses sur son monde, et qui transmet clairement et efficacement ces informations à la personne qui l’utilise ? Je pense que c’est un excellent sujet, car si vous avez à la fois ce chemin de rétroaction et ce chemin de contrôle, et que les deux systèmes sont en train de se construire des modèles l’un de l’autre, en s’adaptant en temps réel en fonction de l’expérience, et en commençant à transmettre des informations dans un canal bidirectionnel.

Vous pouvez faire quelque chose d’assez miraculeux. Vous pouvez presque transmettre des informations gratuitement. Si vous avez ces deux systèmes qui sont en fait bien accordés l’un à l’autre, ils ont construit un modèle très puissant l’un de l’autre et ils ont une adaptation à la fois pour contrôler le chemin de rétroaction, vous pouvez former des partenariats très étroits entre les humains et les machines qui peuvent transmettre une quantité massive d’informations avec très peu d’effort et très peu de bande passante.

Et cela ouvre de nouveaux domaines de coordination humaine et machine, notamment dans le domaine des neuroprothèses. Je pense vraiment que c’est une époque assez miraculeuse pour commencer à étudier ce domaine.

Pensez-vous que ces prothèses seront imprimées en 3D à l’avenir ou comment pensez-vous que la fabrication va évoluer ?

Je ne me sens pas être le meilleur endroit pour spéculer sur la façon dont cela pourrait se produire. Je peux dire cependant que nous voyons une augmentation importante des fournisseurs commerciaux de dispositifs de neuroprothèse qui utilisent la fabrication additive, l’impression 3D et d’autres formes de fabrication additive pour créer leurs dispositifs.

C’est également très agréable de voir que ce n’est pas juste un prototype qui utilise la fabrication additive ou l’impression 3D, mais que l’impression 3D devient une partie intégrante de la façon dont nous fournissons des dispositifs aux individus et de la façon dont nous optimisons ces dispositifs pour les personnes exactes qui les utilisent.

La fabrication additive ou la fabrication sur mesure, la pose de prothèse personnalisée se fait dans les hôpitaux tout le temps. C’est une partie naturelle de la prestation de soins aux personnes ayant une différence de membre qui ont besoin de technologies d’assistance ou d’autres types de technologies de réadaptation.

Je pense que nous commençons à voir que beaucoup de cette personnalisation commence à se fondre dans la fabrication des dispositifs, et non juste laissée aux fournisseurs de soins. Et c’est également très excitant. Je pense qu’il y a une excellente opportunité pour des dispositifs qui ne ressemblent pas juste à des mains ou qui ne sont pas utilisés comme des mains, mais des dispositifs qui répondent très précisément aux besoins de la personne qui les utilise, qui leur permettent de s’exprimer de la façon dont ils veulent s’exprimer, et de vivre la vie qu’ils veulent vivre, et non juste la façon dont nous pensons qu’une main devrait être utilisée dans la vie quotidienne.

Vous avez écrit plus de 120 articles. Y en a-t-il un qui vous tient particulièrement à cœur que nous devrions connaître ?

Il y a un article récemment publié dans les applications de calcul neural, mais il représente le sommet de l’iceberg de la réflexion que nous avons mise en avant pendant plus d’une décennie maintenant, sur les cadres pour les interactions humaines et machines, notamment sur la façon dont les humains et les dispositifs de prothèse interagissent.

C’est l’idée de capital de communication. Et cet article que nous avons récemment publié.

Et cet article présente notre point de vue sur la façon dont les prédictions qui sont apprises et maintenues en temps réel par un dispositif de prothèse qui interagit avec une personne, la personne elle-même peut former un capital, peut former une ressource que les deux parties peuvent utiliser.

Rappelons que, précédemment, j’ai dit que nous pouvons faire quelque chose de vraiment spectaculaire lorsque nous avons un humain et une machine qui construisent tous les deux des modèles l’un de l’autre, en s’adaptant en temps réel en fonction de l’expérience, et en commençant à transmettre des informations dans un canal bidirectionnel.

C’est comme de la magie.

Exactement. Cela sonne comme de la magie. Si nous revenons à des penseurs comme Ashby, W. Ross Ashby, dans les années 60 et son livre “Introduction of Cybernetics” qui a parlé de la façon dont nous pourrions amplifier l’intellect humain.

Et il a vraiment dit que cela se résume à amplifier la capacité d’une personne à choisir entre l’une des nombreuses options. Et cela est rendu possible par des systèmes où une personne interagit avec, disons, une machine, où il y a un canal de communication ouvert entre eux.

Et je pense que c’est pourquoi je considère que c’est l’un de nos articles les plus excitants, car il représente un changement de pensée. Il représente un changement de pensée pour considérer les dispositifs de neuroprothèse comme des systèmes avec une agence, des systèmes auxquels nous ne devons pas seulement attribuer une agence, mais sur lesquels nous pouvons compter pour co-évoluer avec nous pour construire ces ressources.

Le capital de communication qui nous permet de multiplier notre capacité à interagir avec le monde, de nous permettre d’en tirer plus que ce que nous y mettons, et de permettre aux gens de, je vais dire, d’un point de vue de prothèse, arrêter de penser à la prothèse dans leur vie quotidienne et commencer à penser à vivre leur vie quotidienne.

Quelles sont certaines des applications que vous voyez pour les interfaces cerveau-machine avec ce que vous venez de discuter ?

L’une de mes préférées est quelque chose que nous avons mis en avant, encore une fois, au cours des dernières années, c’est une technologie appelée commutation adaptative. La commutation adaptative est basée sur la connaissance que de nombreux systèmes avec lesquels nous interagissons quotidiennement dépendent de nous pour basculer entre de nombreux modes ou fonctions.

Que ce soit basculer entre des applications sur mon téléphone ou que je cherche à déterminer le réglage approprié sur mon perceuse ou que je m’adapte à d’autres outils dans ma vie. Nous basculons entre de nombreux modes ou fonctions tout le temps, en repensant à Ashby, notre capacité à choisir entre de nombreuses options.

Donc, dans la commutation adaptative, nous utilisons l’apprentissage par différence temporelle pour permettre à un membre artificiel d’apprendre quelle fonction de moteur une personne pourrait vouloir utiliser et quand elle veut l’utiliser.

Et puis, dans le futur, dans des situations similaires, être capable de prédire cela. Et quand je navigue dans le nuage tourbillonnant de modes et de fonctions, me donner plus ou moins ceux que je veux sans avoir à parcourir tous ces modes.

Et c’est un exemple très simple de construction de ce capital de communication. Vous avez un système qui construit effectivement des prédictions à travers l’interaction, ce sont des prédictions sur la personne, la machine, leur relation dans cette situation à ce moment-là.

Et cette ressource partagée permet ensuite au système de reconfigurer son interface de contrôle en vol, de telle sorte que la personne obtienne ce qu’elle veut et quand elle le veut. Et vraiment, dans une situation où le système est très, très sûr de ce que la personne pourrait vouloir, il peut en fait sélectionner cela pour elle pendant qu’elle y va.

Et la chose cool, c’est que la personne a toujours la capacité de dire : “Ah, c’est ce que je voulais vraiment”, et de basculer vers une autre fonction de moteur. Dans un bras robotique, cela pourrait être différents types de prises de main, que ce soit façonner la prise pour saisir une poignée de porte ou ramasser une clé ou serrer la main de quelqu’un.

Ce sont différents modes de fonction, différents modèles de saisie. Il est très intéressant de voir que le système peut commencer à construire une appréciation de ce qui est approprié dans quelle situation.

Unités de capital que les deux parties peuvent utiliser pour se déplacer plus rapidement dans le monde, et avec moins de charge cognitive, notamment dans la partie de l’unité.

Merci pour cette incroyable entrevue, les lecteurs qui souhaitent en savoir plus devraient visiter les ressources suivantes:

• Dr. Patrick M. Pilarski page de l’Université de l’Alberta.
• Conférence Upper Bound AI.
• Amii (Institut d’intelligence machine de l’Alberta)