L’Interconnexion des Objets
L’une des compétences remarquables de l’esprit humain est sa capacité à interpréter les objets en établissant des relations entre eux. Notre cerveau a la capacité de déterminer la position d’un objet par rapport à son environnement, une forme de raisonnement que l’on appelle le raisonnement relationnel. Récemment, il semble qu’une intelligence artificielle (IA) puisse également maîtriser cette compétence.
Apprendre à percevoir le monde en trois dimensions n’est pas une tâche facile pour une intelligence artificielle. Des chercheurs de DeepMind, la branche d’IA de la société mère de Google, Alphabet, ont réussi à mettre au point un module de raisonnement relationnel destiné aux réseaux neuronaux. Ce développement s’inscrit dans l’objectif de créer des systèmes d’IA dotés de capacités cognitives similaires à celles de l’esprit humain, tant en flexibilité qu’en efficacité.
Ce module, connu sous le nom de réseau de relations (RN), est conçu pour être intégré à d’autres réseaux neuronaux. Avec cette technologie, l’IA peut analyser des paires d’objets et en déduire leurs relations. Les détails de cette recherche ont été partagés dans deux études distinctes disponibles en ligne.
Des Concepts aux Applications Pratiques
Les chercheurs ont formé leur réseau de relations à partir d’images de formes 3D affichant différents couleurs et tailles. Une fois que l’IA a analysé ces objets, les scientifiques lui posaient des questions telles que : « Quelle est la taille du cylindre situé à gauche de l’objet en métal brun, qui est lui-même à gauche de la grande sphère ? » pour évaluer ses capacités dans une tâche de questionnement visuel nommée CLEVR. Les résultats obtenus se sont révélés très prometteurs.
Les performances de l’IA utilisant cette méthode surpassent largement celles des approches traditionnelles : alors que les systèmes de questionnement visuel classiques atteignent un score de 68,5 %, les humains réalisent 92,5 %, tandis que l’approche augmentée par le RN a permis d’atteindre une performance impressionnante de 95,5 %.
Un tel système pourrait considérablement enrichir les algorithmes d’apprentissage visuel ainsi que les intelligences artificielles utilisées dans les assistants virtuels. Par exemple, il pourrait être envisagé d’avoir des applications capables de décrire automatiquement une image ou une vidéo, aidant ainsi les personnes malvoyantes à mieux comprendre leur environnement, comme l’a évoqué le chercheur Adam Santoro de DeepMind dans une interview.
Malgré ces avancées, les chercheurs de DeepMind estiment que des progrès significatifs sont encore nécessaires avant que cette technologie puisse être intégrée dans notre quotidien. Santoro met en lumière le besoin de traiter des ensembles de données issus de la vie réelle, qui sont complexes et riches.
FAQ
Quelle est la signification du raisonnement relationnel en IA ?
Le raisonnement relationnel en intelligence artificielle fait référence à la capacité d’un système à comprendre et à établir des relations entre différents objets ou données, imitant ainsi une compétence humaine essentielle.
Quelles sont les applications potentielles de cette technologie ?
Cette technologie pourrait être utilisée dans des domaines variés tels que l’accessibilité pour les malvoyants, les systèmes de surveillance, l’éducation et d’autres sphères nécessitant l’interprétation d’environnements complexes.
Qui a développé le module de raisonnement relationnel ?
Ce module a été développé par des chercheurs de DeepMind, une branche de la société Alphabet, spécialisée dans le développement d’intelligences artificielles avancées.
Quel est l’objectif principal des recherches sur les réseaux de relations ?
L’objectif principal est de créer des systèmes d’IA capables de cognition qui rivalisent avec la flexibilité et l’efficacité de l’esprit humain, pouvant ainsi effectuer des tâches complexes de manière autonome.
Pourquoi est-il nécessaire de traiter des ensembles de données réelles dans le développement de l’IA ?
Les ensembles de données réelles sont souvent beaucoup plus complexes et variés que des ensembles de données synthétiques, et ils sont essentiels pour former des intelligences artificielles capables de faire face à des situations du monde réel.
