Inscrivez-vous pour découvrir le futur dès aujourd’hui.
<div class="newsletter-cta-description">
<p class="article-paragraph skip">Des innovations incontournables à la pointe de la science et de la technologie.</p>
</div>
</div>
</div>
Depuis 2014, DeepMind explore le monde des jeux vidéo Atari. Au départ, ses systèmes d’apprentissage automatique étaient capables de remporter des parties et d’atteindre des scores supérieurs à ceux des humains. Cependant, ils ne parvenaient pas à garder en mémoire les stratégies utilisées pour gagner. Ainsi, pour chaque jeu Atari, une nouvelle réseau neuronal était mis en place. DeepMind n’avait pas encore appris de ses expériences passées… jusqu’à présent.
Une équipe de chercheurs de DeepMind et de l’Imperial College de Londres a élaboré un nouvel algorithme qui permet au système d’avoir une mémoire. Cela lui permet non seulement d’apprendre, mais aussi de conserver des connaissances et de les réutiliser. En utilisant des méthodes d’apprentissage supervisé et des tests d’apprentissage par renforcement, cette avancée technique a permis d’apprendre en succession.
Dans le cerveau humain, la consolidation synaptique représente la base de l’apprentissage continu. La capacité à sauvegarder les connaissances acquises et à les transférer d’une tâche à l’autre est essentielle pour l’apprentissage humain. L’incapacité à réaliser cela a longtemps été une des grandes limites de l’apprentissage automatique. L’algorithme, dénommé “consolidation de poids élastiques” (EWC), sélectionne les éléments les plus pertinents des expériences passées qui ont aidé la machine à jouer et à gagner, pour ne conserver que ceux-là à l’avenir.
Bien que cette méthode soit impressionnante, elle n’est pas encore parfaite. DeepMind est désormais capable de retenir les informations les plus importantes provenant de ses expériences passées, mais même avec ce riche bagage, elle ne rivalise pas encore avec un réseau neuronal conçu spécifiquement pour un seul jeu. L’amélioration de l’efficacité d’apprentissage représente le prochain défi pour que l’apprentissage automatique atteigne — voire dépasse — l’apprentissage humain.
La consolidation de poids élastiques est une pièce maîtresse dans toute forme d’intelligence, qu’elle soit biologique ou artificielle. Elle permet d’apprendre différentes tâches sans perte de mémoire. Le nouvel algorithme de DeepMind soutient l’apprentissage continu, semblable à la consolidation synaptique observée dans le cerveau humain. Ce développement ouvre la voie à une meilleure maîtrise des tâches complexes par l’IA, ainsi qu’à des contextes d’apprentissage variés. En d’autres termes, cela permet aux systèmes d’IA de relever des défis créatifs et intellectuels, qui étaient auparavant considérés comme exclusifs à l’humanité.
FAQ
Qu’est-ce que DeepMind ?
DeepMind est une entreprise spécialisée dans l’intelligence artificielle, connue pour ses avancées dans l’apprentissage automatique et les systèmes autonomes.
Comment fonctionne l’algorithme de consolidation de poids élastiques ?
Cet algorithme permet de retenir uniquement les informations les plus pertinentes de l’expérience passée, facilitant ainsi l’apprentissage continu sans perte de mémoire des connaissances précédentes.
Quel est l’objectif ultime de ces avancées en IA ?
Le but est de permettre à l’IA de gérer des tâches de plus en plus complexes et de rivaliser avec l’intelligence humaine dans des activités créatives et analytiques.
Quelle est la différence entre l’apprentissage supervisé et l’apprentissage par renforcement ?
L’apprentissage supervisé utilise des données étiquetées pour entraîner les modèles, tandis que l’apprentissage par renforcement repose sur un système de récompenses pour encourager des comportements spécifiques au sein d’un environnement donné.
DeepMind a-t-il réalisé d’autres avancées notables ?
Oui, DeepMind a été à l’origine de plusieurs percées dans des domaines comme le jeu de Go, où son programme AlphaGo a défié et battu des champions humains, illustrant ainsi l’efficacité de ses algorithmes.
