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>
Mauvaise évaluation encore une fois
Les progrès réalisés par les logiciels de reconnaissance d’images utilisant l’intelligence artificielle ont été considérables. Cependant, ces systèmes ne sont pas infaillibles. Une équipe de chercheurs a constaté qu’environ 2 % du temps, les systèmes de vision par ordinateur n’arrivent pas à identifier ce qu’ils analysent, même lorsque cela est clairement évident pour un humain.
Des résultats surprenants
Les chercheurs ont identifié 7 500 photographies non modifiées d’objets qui peuvent complètement dérouter les intelligences artificielles. Une prépublication de leurs résultats a été mise à disposition sur le dépôt arXiv.
Les chercheurs ont découvert que les classificateurs actuels présentent de graves lacunes, notamment une dépendance excessive à la couleur, la texture et les indices du fond d’image. Cela amène une chute significative de la précision des IA. Par exemple, une image d’un lynx peut être classée comme un écrevisse, tandis qu’un alligator pourrait être confondu avec un colibri.
ImageNet : Une base de données essentielle
Les photographies analysées proviennent d’une base de données standard de l’industrie nommée ImageNet, qui comprend des millions d’images étiquetées manuellement. Cette base de données est fréquemment utilisée pour former des intelligences artificielles en matière de reconnaissance d’images.
Créée en 2006, cette base de données a permis aux modèles d’IA de devenir de plus en plus précis dans leurs prédictions sur ce qu’ils voient dans ces millions de photographies.
Des erreurs célèbres
Il est important de noter que les systèmes de reconnaissance d’images alimentés par l’IA sont toujours loin d’être parfaits. Par exemple, en 2018, l’IA de reconnaissance faciale d’Amazon, Rekognition, a incorrectement associé 28 membres du Congrès avec des photos de criminels.
Les chercheurs espèrent que leur étude conduira à des systèmes de vision par machine plus précis et robustes, capables de prendre en compte le contexte de l’image et non pas seulement l’image elle-même.
À LIRE AUSSI : L’IA ne parvient pas à reconnaître ces images de la nature 98% du temps [The Next Web]
Autres articles sur la vision par machine : Des scientifiques créent une IA à partir d’une simple feuille de verre.
FAQ
Quels sont les principaux défis de la reconnaissance d’images par IA ?
Les principaux défis incluent la gestion des variations d’éclairage, les angles de vue différents, et la complexité des objets.
Comment l’IA peut-elle s’améliorer dans la reconnaissance d’images ?
L’amélioration de l’IA pourrait passer par l’intégration de contextes supplémentaires, tels que les comportements des objets ou des informations environnementales.
Pourquoi est-il nécessaire d’utiliser des bases de données comme ImageNet ?
Les bases de données telles qu’ImageNet fournissent un ensemble diversifié d’exemples qui permettent d’entraîner les modèles d’IA, rendant leur apprentissage plus efficace.
Quelles sont les applications pratiques des systèmes de reconnaissance d’images ?
Ces systèmes sont utilisés dans de nombreux domaines, y compris la santé, la sécurité, le retail, et le divertissement, facilitant les processus de prise de décision.
