Un nouvel algorithme ambitieux d’intelligence artificielle
Actualité
Canada
|
Sciences de l’ingénieur : aéronautique, mécanique, électronique, génie civil
27 novembre 2016
Un professeur de l’Université de Toronto a développé une nouvelle méthode d’entraînement de « machine learning » qui permet aux réseaux neuronaux d’apprendre directement à partir de règles établies par l’homme, ouvrant la voie à de nouvelles possibilités pour l’intelligence artificielle dans les domaines aussi variés que le diagnostic médical ou les voitures sans chauffeurs.
« Salut Siri, comment sont mes cheveux ? »
Votre smartphone pourra bientôt vous donner une réponse honnête, grâce à un nouvel algorithme de Machine Learning (apprentissage machine) conçu par deux chercheurs de la Faculté d’Ingénierie de l’Université de Toronto, Dr Parham Aarabi (ECE) et Wenzhi Guo (ECE MASc 1T5).
L’équipe a conçu un algorithme qui apprend directement à partir d’instructions humaines, plutôt que d’un ensemble d’exemples préexistants, et a dépassé les méthodes conventionnelles de formation de réseaux neuronaux de 160%. Mais plus surprenant encore, son algorithme a surpassé son propre entraînement de 9% - il a appris à reconnaître des cheveux au sein d’une image avec une plus grande fiabilité que celle permise par l’entraînement, marquant un saut significatif en avant en matière d’intelligence artificielle.
Les Dr. Aarabi et Dr. Guo ont « formé » leur algorithme à identifier les cheveux d’individus dans des photographies - une tâche beaucoup plus difficile pour les ordinateurs que pour les humains.
« Notre algorithme a appris à classer correctement les cas difficiles - en distinguant la texture des cheveux par rapport à la texture de l’arrière-plan », explique le Dr. Aarabi. « Ce que nous avons observé peut être comparé à un professeur enseignant un élève - l’élève a appris au-delà de ce que le professeur lui avait enseigné initialement. »
Les humains « enseignent » aux réseaux de neurones - réseaux informatiques qui apprennent de manière dynamique - en fournissant un ensemble de données caractérisées et en demandant à ce réseau de prendre des décisions basées sur les échantillons qu’il a vus. Par exemple, vous pourriez former un réseau de neurones à identifier le ciel dans une photographie en lui montrant des centaines d’images avec le ciel explicitement marqué.
Cet algorithme est différent : il apprend directement de formateurs humains. Avec ce modèle, appelé formation heuristique, les humains fournissent des instructions directes qui sont utilisées pour pré-classer les échantillons d’entraînement plutôt que d’un ensemble d’exemples fixes. Les formateurs programment l’algorithme avec des lignes directrices telles que « Le ciel est susceptible d’être formé de différentes nuances de bleu » et « Les pixels près du sommet de l’image sont plus susceptibles d’appartenir au ciel que les pixels du bas. ».
Cette approche de formation heuristique est très prometteuse pour résoudre l’un des plus grands défis des réseaux de neurones : établir des classifications correctes de données précédemment inconnues ou non caractérisées. Ceci est crucial pour appliquer le “machine learning” à de nouvelles situations, telles que l’identification correcte de tissus cancéreux pour le diagnostic médical ou la classification de tous les objets entourant et s’approchant d’une voiture sans chauffeur.
« Appliquer une formation heuristique à la segmentation des cheveux n’est qu’un début », déclare le Dr. Guo. « Nous sommes impatients d’appliquer notre méthode à d’autres domaines et à toute une gamme d’applications, de la médecine au transport. »
En savoir plus :
IEEE Transactions on Neural Networks and Learning Systems
IEEE Transactions on Neural Networks and Learning Systems. Hair Segmentation Using Heuristically-Trained Neural Networks
DOI : 10.1109/TNNLS.2016.2614653
http://ieeexplore.ieee.org/document/7592406/?reload=true
Source :
Nouvelles de la faculté d’ingénierie de l’Université de Toronto
http://news.engineering.utoronto.ca/new-ai-algorithm-taught-humans-learns-beyond-training/
Rédacteur :
Sophie DECAMPS – Chargée de Mission pour la Science et la Technologie à Toronto – sophie.decamps[a]diplomatie.gouv.fr