Inscrivez-vous pour découvrir l’avenir dès aujourd’hui.
<div class="newsletter-cta-description">
<p class="article-paragraph skip">Innovations à ne pas manquer à la pointe de la science et de la technologie.</p>
</div>
</div>
</div>
</div>
Apprendre avec moins de données
L’idée selon laquelle la pratique entraîne la perfection vaut également pour les machines. En effet, de nombreux dispositifs d’intelligence artificielle actuels s’appuient sur la répétition pour acquérir de nouvelles compétences. Les algorithmes d’apprentissage profond sont conçus pour permettre aux outils d’IA de tirer des enseignements des jeux de données et d’appliquer ces connaissances à des situations concrètes. Prenons un exemple : un système d’IA est alimenté avec des données sur le fait que le ciel est généralement bleu, ce qui lui permet de reconnaître le ciel dans une série d’images ultérieures.
Bien que cette méthode puisse résoudre des tâches complexes, elle présente certaines limitations. Peut-on atteindre des résultats similaires en exposant l’IA d’apprentissage profond à un nombre d’exemples réduit ? Une start-up de Boston, Gamalon, a développé une nouvelle technologie pour explorer cette question, et a récemment lancé deux produits exploitant cette approche novatrice.
Programmation bayésienne
Gamalon a nommé sa technique de synthèse de programmes bayésiens, une approche fondée sur un cadre mathématique du 18ème siècle, inspiré par Thomas Bayes. Ce type de probabilité permet de perfectionner les prédictions sur la réalité en utilisant l’expérience accumulée. La programmation probabiliste, qui utilise des probabilités au lieu de variables fixes, nécessite moins d’exemples pour arriver à une conclusion. Par exemple, il serait capable de déterminer que le ciel est bleu avec des nuages blancs. En outre, le programme ajuste ses connaissances au fur et à mesure que de nouveaux exemples sont fournis.
La promesse de la programmation probabiliste
Bien que cette approche de programmation rencontre encore des défis, elle présente un potentiel important pour automatiser le développement des algorithmes d’apprentissage machine. Brendan Lake, chercheur à NYU, souligne que “la programmation probabiliste facilitera grandement l’apprentissage machine pour les chercheurs et les praticiens”, car elle peut prendre en charge automatiquement les parties complexes du codage.
Le CEO de Gamalon, Ben Vigoda, a présenté une application de dessin qui utilise cette nouvelle méthode. Contrairement à une application similaire de Google qui se base sur des croquis prédits en se fiant à des exemples antérieurs, l’application de Gamalon se concentre sur les caractéristiques essentielles des objets. Ainsi, même si vous dessinez une figure inédite, tant que certaines caractéristiques sont reconnues, comme le fait qu’un carré avec un triangle au-dessus ressemble à une maison, l’application fera une prédiction correcte.
Applications commerciales et avenir
Les produits récemment lancés par Gamalon montrent que cette technique pourrait avoir des applications commerciales dans un avenir proche. L’un des produits, nommé Gamalon Structure, utilise la synthèse de programmes bayésiens pour identifier des concepts à partir de textes bruts, et ce, de manière plus efficace que les méthodes traditionnelles. Par exemple, après avoir reçu la seule description d’un téléviseur, il est capable d’en déterminer la marque, le nom, la résolution de l’écran, et d’autres caractéristiques. L’autre application, appelée Gamalon Match, classe les produits et les prix d’un inventaire. Dans les deux cas, le système s’adapte rapidement aux variations des acronymes ou des abréviations.
Vigoda mentionne également d’autres applications possibles. Par exemple, un smartphone ou un ordinateur portable, dotés d’un modèle bayésien, n’auraient pas besoin de partager des données personnelles avec de grandes entreprises pour identifier les intérêts des utilisateurs ; les calculs pourraient être effectués directement sur l’appareil. De plus, les voitures autonomes pourraient apprendre à s’adapter à leur environnement plus rapidement grâce à cette méthode d’apprentissage. L’impact potentiel de ces machines plus intelligentes est tout simplement colossal.
FAQ
Qu’est-ce que la synthèse de programmes bayésiens ?
C’est une approche de programmation qui utilise des concepts probabilistes pour apprendre à partir de moins de données tout en permettant des prédictions plus précises.
Pourquoi la programmation probabiliste est-elle plus efficace ?
Elle nécessite moins d’exemples d’entraînement pour rejoindre des conclusions, ce qui accélère le processus d’apprentissage des machines.
Quels sont les bénéfices potentiels de l’utilisation de cette technologie ?
Elle peut permettre de créer des applications plus robustes et intelligentes sans nécessiter de vastes quantités de données, rendant ainsi l’apprentissage machine plus accessible.
Peut-on appliquer cette technologie à d’autres domaines en dehors du dessin ?
Oui, elle peut être utilisée dans divers secteurs, y compris l’analyse de textes, la reconnaissance d’objets dans des images, et même dans la robotique.
Comment cette technologie va-t-elle affecter la vie quotidienne ?
Si intégrée dans des appareils courants, elle pourrait améliorer la personnalisation et l’interaction avec les utilisateurs, rendant les technologies plus intuitives et moins intrusives.
