L’avenir de l’intelligence artificielle: tendances à surveiller

Chris DeGraw / Tendances numériques, Getty Images

L’IA ne mettra pas l’humanité à la ferraille de si tôt. Nous ne sommes pas non plus une publication Google DeepMind loin de la superintelligence. Mais ne vous y trompez pas: l’intelligence artificielle fait d’énormes progrès.

Comme indiqué dans le rapport sur l’indice d’intelligence artificielle 2021, l’année dernière, le nombre de publications de revues dans le domaine a augmenté de 34,5%. C’est un pourcentage beaucoup plus élevé que les 19,6% observés un an plus tôt. L’IA va tout transformer, de la médecine au transport, et rares sont ceux qui diraient le contraire.

Ici en 2021, nous sommes bien entrés dans la révolution du deep learning, qui a suralimenté l’IA au XXIe siècle. Mais «l’apprentissage en profondeur» est un terme général que, à l’heure actuelle, la plupart des gens connaissent très bien. D’où viennent les grandes avancées de l’IA? Où devriez-vous regarder pour voir le futur se dérouler devant vous? Voici quelques-unes des technologies à surveiller.

Transformers: plus que ce que l’on voit

“Des robots déguisés // Les Autobots mènent leur bataille // Pour détruire les forces du mal // Des Decepticons.” Attendez, c’est autre chose!

En fait, loin d’une franchise qui a connu son apogée au siècle dernier, Transformers – le modèle de l’IA – représente l’une des avancées les plus prometteuses du domaine à l’heure actuelle, en particulier dans le domaine de la recherche sur le traitement du langage naturel.

La compréhension du langage a été un intérêt clé dans l’IA depuis avant même qu’elle ne soit appelée IA, remontant jusqu’au test proposé par Alan Turing pour l’intelligence artificielle. Les modèles de transformateurs, décrits pour la première fois par des chercheurs de Google en 2017, se sont révélés largement supérieurs aux modèles de langage précédents. Une des raisons est les ensembles de données presque insondables sur lesquels ils peuvent être entraînés. Ils peuvent être utilisés pour la traduction automatique, la synthèse de documents, la réponse à des questions, la compréhension du contenu de la vidéo et bien plus encore. Si les grands modèles linguistiques posent certainement des problèmes, leur succès n’est pas à nier.

transformateur (modèle d'apprentissage automatique)

L’avènement de Transformers a conduit au développement de GPT-3 (Generative Pre-Training Transformer), qui possède 175 milliards de paramètres, a été formé sur 45 To de données texte et a coûté plus de 12 millions de dollars à construire. Au début de cette année, Google a repris sa couronne en lançant un nouveau modèle de langage avec quelque 1,6 billion de paramètres, soit neuf fois la taille de GPT-3. La révolution Transformer ne fait que commencer.

Réseaux antagonistes génératifs

Les conflits ne rendent généralement pas le monde meilleur. Mais cela améliore certainement l’IA.

Au cours des dernières années, il y a eu des progrès considérables dans la génération d’images: il s’agit de l’utilisation de l’IA pour imaginer des images qui semblent indiscernables des images réelles du monde réel. Il ne s’agit pas seulement de théories du complot alimentées par les médias sociaux qui trompent les gens en leur faisant croire que le président Biden a été surpris en train de faire la fête avec les Illuminati. La génération d’images peut être utilisée pour tout, de l’amélioration des capacités de recherche à aider les concepteurs à créer des variations sur un thème à la génération d’œuvres d’art qui se vendent des millions aux enchères.

Alors, où le conflit entre-t-il en jeu? L’une des principales technologies de génération d’images est appelée un réseau antagoniste génératif (GAN). Cette classe de cadre d’apprentissage automatique utilise une approche combative et tiraillante pour transmettre des images et des commentaires entre un algorithme «générateur» et «discriminateur», ce qui entraîne des améliorations incrémentielles jusqu’à ce que le discriminateur soit incapable de dire ce qui est réel et faux. Les GAN ont également été utilisés pour générer un faux code génétique qui pourrait être utilisé par les chercheurs.

Recherchez de nombreuses autres applications innovantes dans un proche avenir.

IA neuro-symbolique

Dans une publication de décembre 2020, les chercheurs Artur d’Avila Garcez et Luis Lamb ont décrit l’IA neuro-symbolique comme la «troisième vague» de l’intelligence artificielle. L’IA neuro-symbolique n’est pas, à proprement parler, totalement nouvelle. C’est plus comme réunir deux des plus grandes stars du rock du monde, qui se sont autrefois battues au sommet des classements, pour créer un supergroupe. Dans ce cas, le supergroupe se compose de réseaux de neurones à auto-apprentissage et d’une IA symbolique basée sur des règles.

«Les réseaux de neurones et les idées symboliques sont vraiment merveilleusement complémentaires les uns des autres», a déclaré David Cox, directeur du MIT-IBM Watson AI Lab à Cambridge, Massachusetts, à Digital Trends. «Parce que les réseaux de neurones vous donnent les réponses pour passer du désordre du monde réel à une représentation symbolique du monde, en trouvant toutes les corrélations dans les images. Une fois que vous avez cette représentation symbolique, vous pouvez faire des choses assez magiques en termes de raisonnement. “

Les résultats pourraient nous donner une IA qui est meilleure pour mener à bien ce processus de raisonnement, ainsi qu’une IA plus explicable qui peut, eh bien, expliquer pourquoi elle a pris la décision qu’elle a prise. Considérez cela comme une avenue prometteuse de recherche sur l’IA dans les années à venir.

L’apprentissage automatique rencontre la synthèse moléculaire

Avec GPT-3, l’avancée la plus significative de l’IA de l’année dernière a été l’étonnante AlphaFold de DeepMind, qui a appliqué un apprentissage en profondeur au défi biologique vieux de plusieurs décennies du repliement des protéines. Une réponse à ce problème conduira à la guérison des maladies, à la découverte de nouveaux médicaments, à une meilleure compréhension de la vie au niveau cellulaire, et plus encore. Cette dernière entrée de la liste est moins un exemple spécifique de technologie d’IA et plus un exemple de la façon dont l’IA fait une grande différence dans un domaine.

Les techniques d’apprentissage automatique dans ce domaine se révèlent transformatrices pour les soins de santé et la biologie dans des domaines tels que la synthèse moléculaire, où le ML peut aider les scientifiques à déterminer quels médicaments potentiels ils devraient évaluer, puis comment les synthétiser le plus efficacement en laboratoire. Il n’y a peut-être aucun domaine qui changera davantage la vie où l’IA sera utilisée au cours de la prochaine décennie et au-delà.

Recommandations des rédacteurs



Leave a Reply

Your email address will not be published. Required fields are marked *

Main Menu