Lors d'une conférence de presse pour annoncer la fonction de pilote automatique de la Tesla Model S en octobre 2015, le PDG de Tesla, Elon Musk, a déclaré que chaque conducteur deviendrait un «coach expert» pour chaque Model S. Chaque véhicule pourra améliorer ses propres fonctions d'autonomie. apprenant de son conducteur, mais plus important encore, quand une Tesla apprend de son conducteur, cette connaissance sera partagée entre le reste des véhicules Tesla.
Très vite, les propriétaires de la Model S ont remarqué que les fonctions de conduite autonome du véhicule s'amélioraient progressivement. Dans un exemple, les Tesla faisaient les mauvaises sorties prématurées sur les autoroutes, obligeant leurs propriétaires à diriger manuellement le véhicule le long du bon itinéraire. Après seulement quelques semaines, les propriétaires ont remarqué que les voitures ne faisaient plus de sortie prématurée.
«C'est incroyable que l'amélioration se soit produite si rapidement», a déclaré un propriétaire de Tesla.
Les systèmes intelligents comme ceux alimentés par le dernier logiciel d'apprentissage automatique ne sont pas seulement de plus en plus intelligents: ils deviennent de plus en plus intelligents de plus en plus vite. Comprendre la vitesse à laquelle ces systèmes évoluent peut être une partie particulièrement difficile de la gestion du progrès technologique.
Ray Kurzweil a beaucoup écrit sur les lacunes de la compréhension humaine, décrivant la vision dite «linéaire intuitive» du changement technologique et le taux de changement «exponentiel» qui se produit actuellement. Près de deux décennies après avoir écrit un essai important, il a appelé The Law of Accelerating Return - une théorie du changement évolutif décrivant comment le taux d'amélioration des systèmes change au fil du temps - les appareils liés ont commencé à partager leurs connaissances entre eux, accélérant leur propre amélioration.
«Je pense que c'est probablement la plus grande tendance exponentielle de l'IA», déclare Hod Lipson, professeur de génie mécanique et d'informatique à l'Université Columbia.
«Toutes les technologies exponentielles ont des« exposants »différents pour les tendances, ajoute-t-il. "Mais celui-ci est probablement le plus grand." Selon lui, cet «apprentissage automatique» - lorsque les appareils se transmettent des connaissances (à ne pas confondre avec l'apprentissage automatique) - constitue une étape importante pour accélérer l'amélioration de ces systèmes.
«Parfois, il s'agit de coopération, par exemple, lorsqu'une machine apprend d'une autre, comme si elle avait une conscience d'essaim. Parfois, c'est un saut, comme une course aux armements entre deux systèmes jouant aux échecs l'un avec l'autre."
Vidéo promotionelle:
Lipson pense que cette voie de développement de l'IA est puissante, en partie parce qu'elle supprime le besoin de données d'entraînement.
«Les données sont le carburant de l'apprentissage automatique, mais même pour les machines, il est difficile d'obtenir certaines données - elles peuvent être risquées, lentes, coûteuses ou inaccessibles. Dans de tels cas, les machines peuvent partager leurs expériences ou créer des expériences synthétiques les unes pour les autres pour compléter ou remplacer les données. Il s'avère que ce n'est pas un effet si faible - il s'agit essentiellement d'auto-renforcement, et exponentiel en plus."
Lipson cite la récente percée de DeepMind, AlphaGo Zero, comme une IA d'entraînement exemplaire sans données d'entraînement. Beaucoup connaissent AlphaGo, une IA d'apprentissage automatique qui est devenue le meilleur joueur de Go au monde en examinant une quantité massive de données de millions de jeux joués en Go. AlphaGo Zero a même pu le battre sans regarder les données d'entraînement, apprenant simplement les règles du jeu et jouant avec lui-même. Puis il a battu le meilleur logiciel d'échecs du monde après seulement huit heures de pratique.
Imaginez des milliers de ces AlphaGo Zeroes partageant instantanément leurs connaissances acquises.
Et ce ne sont pas que des jouets. Nous constatons déjà le puissant impact de la vitesse à laquelle les entreprises peuvent améliorer les performances de leurs appareils. Un exemple est la technologie du jumeau numérique industriel - un modèle logiciel d'une machine qui simule ce qui arrive à l'équipement. Imaginez une machine regardant en elle-même et montrant son image aux techniciens.
Par exemple, une turbine à vapeur jumelée numérique peut mesurer la température de la vapeur, la vitesse du rotor, les démarrages à froid et d'autres données pour prévoir les pannes et alerter les techniciens afin d'éviter des réparations coûteuses. Les jumeaux numériques font ces prédictions en examinant leurs propres performances et s'appuient également sur des modèles développés par d'autres turbines à vapeur.
Alors que les machines commencent à apprendre dans leur environnement de manière puissante, leur développement est accéléré grâce à l'échange de données. L'intelligence collective de chaque turbine à vapeur, dispersée à travers la planète, peut accélérer la puissance prédictive de chaque machine individuelle. Là où il y a une voiture sans conducteur, il y aura aussi des centaines d'autres conducteurs qui enseigneront leurs voitures, transmettant des connaissances à tout le monde.
N'oubliez pas que ce n'est que le début.
Ilya Khel
