Nous entendons de plus en plus parler d'intelligence artificielle ces derniers temps. Il est utilisé presque partout: de la haute technologie et des calculs mathématiques complexes à la médecine, à l'industrie automobile et même aux smartphones. Les technologies qui sous-tendent le travail de l'IA dans la vision moderne, nous les utilisons tous les jours et parfois nous ne pouvons même pas y penser. Mais qu'est-ce que l'intelligence artificielle? Comment ça marche? Et est-ce dangereux?
Qu'est-ce que l'intelligence artificielle
Tout d'abord, définissons la terminologie. Si vous imaginez l'intelligence artificielle comme quelque chose capable de penser de manière indépendante, de prendre des décisions et de montrer généralement des signes de conscience, alors nous nous empressons de vous décevoir. Presque tous les systèmes existants aujourd'hui ne se rapprochent même pas de cette définition de l'IA. Et ces systèmes qui montrent des signes d'une telle activité, en fait, fonctionnent toujours dans le cadre d'algorithmes prédéterminés.
Parfois, ces algorithmes sont très, très avancés, mais ils restent le «cadre» dans lequel l'IA fonctionne. Les machines n'ont pas de «libertés» et encore plus de signes de conscience. Ce ne sont que des programmes très puissants. Mais ils sont «les meilleurs dans ce qu'ils font». De plus, les systèmes d'IA continuent de s'améliorer. Et ils ne sont pas du tout anodins. Même en mettant de côté le fait que l'IA moderne est loin d'être parfaite, elle a beaucoup en commun avec nous.
Comment fonctionne l'intelligence artificielle
Tout d'abord, l'IA peut effectuer ses tâches (dont un peu plus tard) et acquérir de nouvelles compétences grâce au deep machine learning. Nous entendons et utilisons aussi souvent ce terme. Mais qu'est-ce que ça veut dire? Contrairement aux méthodes «classiques», lorsque toutes les informations nécessaires sont chargées à l'avance dans le système, les algorithmes d'apprentissage automatique forcent le système à se développer de manière autonome, en étudiant les informations disponibles. Qui, d'ailleurs, la voiture dans certains cas peut également se rechercher.
Vidéo promotionelle:
Par exemple, pour créer un programme de détection de fraude, un algorithme d'apprentissage automatique fonctionne avec une liste de transactions bancaires et leur résultat final (légal ou illégal). Un modèle d'apprentissage automatique examine des exemples et développe une relation statistique entre les transactions légitimes et frauduleuses. Après cela, lorsque vous fournissez à l'algorithme les détails d'une nouvelle transaction bancaire, il la classe en fonction des modèles qu'il a tirés des exemples au préalable.
En règle générale, plus vous fournissez de données, plus l'algorithme d'apprentissage automatique devient précis lors de l'exécution de ses tâches. L'apprentissage automatique est particulièrement utile pour résoudre des problèmes où les règles ne sont pas prédéfinies et ne peuvent pas être interprétées en binaire. Revenons à notre exemple avec les opérations bancaires: en fait, en sortie, nous avons un système de numérotation binaire: 0 - opération légale, 1 - illégale. Mais pour arriver à une telle conclusion, le système doit analyser tout un tas de paramètres et si vous les entrez manuellement, cela prendra plus d'un an. Et de toute façon prédire toutes les options ne fonctionnera pas. Et un système basé sur l'apprentissage automatique en profondeur sera capable de reconnaître quelque chose, même s'il n'a jamais rencontré exactement un tel cas auparavant.
Apprentissage profond et réseaux de neurones
Alors que les algorithmes d'apprentissage automatique classiques résolvent de nombreux problèmes dans lesquels il y a beaucoup d'informations sous forme de bases de données, ils ne gèrent pas bien, pour ainsi dire, les données «visuelles et auditives» comme les images, les vidéos, les fichiers audio, etc.
Alors que les algorithmes d'apprentissage automatique classiques résolvent de nombreux problèmes dans lesquels il y a beaucoup d'informations sous forme de bases de données, ils ne gèrent pas bien, pour ainsi dire, les données «visuelles et auditives» comme les images, les vidéos, les fichiers audio, etc.
Par exemple, la construction d'un modèle prédictif du cancer du sein à l'aide d'approches d'apprentissage automatique classiques nécessitera des dizaines d'experts médicaux, de programmeurs et de mathématiciens, explique le chercheur en IA Jeremy Howard. Les scientifiques devraient créer de nombreux algorithmes plus petits pour l'apprentissage automatique afin de faire face au flux d'informations. Un sous-système séparé pour l'étude des rayons X, un autre pour l'IRM, un autre pour l'interprétation des tests sanguins, etc. Pour chaque type d'analyse, nous aurions besoin de son propre système. Ensuite, ils seraient tous combinés en un seul grand système … C'est un processus très difficile et gourmand en ressources.
Les algorithmes d'apprentissage profond résolvent le même problème en utilisant des réseaux de neurones profonds, un type d'architecture logicielle inspirée du cerveau humain (bien que les réseaux de neurones soient différents des neurones biologiques, ils fonctionnent à peu près de la même manière). Les réseaux de neurones informatiques sont des connexions de «neurones électroniques» capables de traiter et de classer des informations. Ils sont disposés comme des "couches" et chaque "couche" est responsable de quelque chose qui lui est propre, formant finalement une image générale. Par exemple, lorsque vous entraînez un réseau de neurones sur des images de divers objets, il trouve des moyens d'extraire des objets de ces images. Chaque couche du réseau neuronal détecte certaines caractéristiques: la forme des objets, les couleurs, l'apparence des objets, etc.
Les couches superficielles des réseaux neuronaux présentent des caractéristiques communes. Des couches plus profondes révèlent déjà les objets réels. La figure montre un schéma d'un simple réseau de neurones. Les neurones d'entrée (informations entrantes) sont affichés en vert, bleu - neurones cachés (analyse de données), jaune - neurone de sortie (solution).
Les réseaux de neurones sont-ils un cerveau humain artificiel?
Malgré la structure similaire de la machine et des réseaux de neurones humains, ils ne possèdent pas les caractéristiques de notre système nerveux central. Les réseaux de neurones informatiques sont essentiellement tous les mêmes programmes auxiliaires. Il se trouve que notre cerveau est le système informatique le plus organisé. Vous avez probablement entendu l'expression "notre cerveau est un ordinateur"? Les scientifiques ont simplement «répliqué» certains aspects de sa structure numériquement. Cela ne permettait que d'accélérer les calculs, mais pas de doter les machines de conscience.
Les réseaux de neurones existent depuis les années 1950 (au moins sous forme de concepts). Mais jusqu'à récemment, ils n'ont pas reçu beaucoup de développement, car leur création nécessitait d'énormes quantités de données et de puissance de calcul. Au cours des dernières années, tout cela est devenu disponible, de sorte que les réseaux de neurones sont venus au premier plan, ayant reçu leur développement. Il est important de comprendre qu'il n'y avait pas assez de technologie pour leur apparence à part entière. Comment ils ne suffisent plus maintenant pour amener la technologie à un nouveau niveau.
À quoi servent le Deep Learning et les réseaux de neurones?
Il y a plusieurs domaines dans lesquels ces deux technologies ont contribué à faire des progrès notables. De plus, nous en utilisons certains tous les jours dans notre vie et ne pensons même pas à ce qui se cache derrière eux.
- La vision par ordinateur est la capacité d'un logiciel à comprendre le contenu des images et des vidéos. C'est un domaine dans lequel l'apprentissage profond a fait beaucoup de progrès. Par exemple, les algorithmes de traitement d'images d'apprentissage en profondeur peuvent détecter divers types de cancer, de maladie pulmonaire, de maladie cardiaque, etc. Et pour le faire plus rapidement et plus efficacement que les médecins. Mais l'apprentissage en profondeur est également ancré dans de nombreuses applications que vous utilisez quotidiennement. Apple Face ID et Google Photos utilisent l'apprentissage en profondeur pour la reconnaissance faciale et l'amélioration de l'image. Facebook utilise l'apprentissage en profondeur pour marquer automatiquement les personnes dans les photos téléchargées, etc. La vision par ordinateur aide également les entreprises à identifier et à bloquer automatiquement les contenus douteux tels que la violence et la nudité. et enfinl'apprentissage profond joue un rôle très important dans la conduite autonome des voitures afin qu'elles puissent comprendre leur environnement.
- Reconnaissance vocale et vocale. Lorsque vous dites une commande à votre Assistant Google, les algorithmes d'apprentissage en profondeur traduisent votre voix en commandes textuelles. Plusieurs applications en ligne utilisent l'apprentissage en profondeur pour transcrire des fichiers audio et vidéo. Même lorsque vous shazamez une chanson, les réseaux de neurones et les algorithmes d'apprentissage automatique en profondeur entrent en jeu.
- Recherche sur Internet: même si vous recherchez quelque chose dans un moteur de recherche, pour que votre demande soit traitée plus clairement et que les résultats de recherche soient aussi précis que possible, les entreprises ont commencé à connecter des algorithmes de réseaux neuronaux à leurs moteurs de recherche. Ainsi, les performances du moteur de recherche Google ont augmenté plusieurs fois après le passage du système à l'apprentissage automatique profond et aux réseaux de neurones.
Les limites de l'apprentissage profond et des réseaux de neurones
Malgré tous leurs avantages, l'apprentissage profond et les réseaux de neurones présentent également certains inconvénients.
- Dépendance des données: en général, les algorithmes d'apprentissage en profondeur nécessitent d'énormes quantités de données d'entraînement pour effectuer avec précision leurs tâches. Malheureusement, pour résoudre de nombreux problèmes, il n'y a pas suffisamment de données de formation de qualité pour créer des modèles de travail.
- Imprévisibilité: les réseaux neuronaux évoluent d'une manière étrange. Parfois, tout se passe comme prévu. Et parfois (même si le réseau de neurones fait du bon travail), même les créateurs ont du mal à comprendre le fonctionnement des algorithmes. Le manque de prévisibilité rend extrêmement difficile l'élimination et la correction des erreurs dans les algorithmes des réseaux de neurones.
- Biais algorithmique: les algorithmes d'apprentissage en profondeur sont aussi bons que les données sur lesquelles ils sont entraînés. Le problème est que les données d'entraînement contiennent souvent des erreurs ou des défauts cachés ou évidents, et les algorithmes en héritent. Par exemple, un algorithme de reconnaissance faciale formé principalement sur des photographies de personnes blanches fonctionnera moins précisément sur des personnes ayant une couleur de peau différente.
- Manque de généralisation: les algorithmes d'apprentissage en profondeur sont bons pour effectuer des tâches ciblées, mais généralisent mal leurs connaissances. Contrairement aux humains, un modèle d'apprentissage en profondeur formé pour jouer à StarCraft ne pourrait pas jouer à un autre jeu similaire: disons, WarCraft. De plus, l'apprentissage en profondeur fait un mauvais travail de traitement des données qui s'écartent de ses exemples de formation.
L'avenir de l'apprentissage profond, des réseaux de neurones et de l'IA
Il est clair que les travaux sur l'apprentissage profond et les réseaux de neurones sont loin d'être terminés. Divers efforts sont déployés pour améliorer les algorithmes d'apprentissage en profondeur. Le Deep Learning est une technique de pointe en intelligence artificielle. Il est devenu de plus en plus populaire ces dernières années en raison de l'abondance des données et de l'augmentation de la puissance de traitement. Il s'agit de la technologie de base derrière de nombreuses applications que nous utilisons quotidiennement.
Mais la conscience naîtra-t-elle jamais sur la base de cette technologie? Une vraie vie artificielle? Certains scientifiques pensent qu'au moment où le nombre de connexions entre les composants des réseaux de neurones artificiels se rapproche du même indicateur qui existe dans le cerveau humain entre nos neurones, quelque chose comme cela peut se produire. Cependant, cette affirmation est hautement discutable. Pour qu'une véritable IA émerge, nous devons repenser la façon dont nous construisons des systèmes d'IA. Il ne s'agit maintenant que de programmes appliqués pour une gamme strictement limitée de tâches. Autant que nous aimerions croire que l'avenir est déjà arrivé …
Qu'est-ce que tu penses? Les humains créeront-ils l'IA?