L’apprentissage est un processus au cours duquel nous acquérons de nouvelles expériences ou compétences et les appliquons ensuite dans la vie pratique. Comparons l’apprentissage entre les humains et l’IA. Les jeunes enfants apprennent de manière autonome. Ils font des expériences avec leur propre corps et jouent avec des objets. Ils apprennent à marcher, à parler et à reconnaître les objets et les personnes naturellement par eux-mêmes.
L’intelligence artificielle apprend de la même manière. Aujourd’hui, l’IA est capable d’apprendre grâce à l’apprentissage automatique. Le plus souvent, le robot apprend en essayant. Il continue à travailler en fonction des données collectées. Plus il dispose de données, plus il est en mesure de déduire correctement le résultat.
Check Camilla’s Instagram!
L’apprentissage supervisé
L’apprentissage automatique avec un enseignant définit clairement les paramètres d’entrée et de sortie. L’enseignant (= le scientiste) nomme une certaine chose, par exemple une voiture, et “montre” comment traiter les informations données. La sortie est ensuite comparée à l’attente initiale. Cette approche utilise des ensembles de données riches (souvent compilés manuellement) qui montrent différentes variantes d’un objet afin que la machine puisse ensuite les reconnaître et effectuer une action donnée avec elles.
Nous utilisons cette méthode lorsque nous voulons prédire ou expliquer les données. Par exemple, nous pouvons utiliser cette méthode pour que l’intelligence artificielle aide une entreprise à prédire le nombre de nouvelles personnes qui s’inscriront à un service qu’elle propose au cours du mois suivant.
Quand l’algorithme rencontre de nouvelles données, il procède selon les paramètres définis, en ajustant constamment les informations actuelles. L’apprentissage automatique ainsi formé ne peut jamais faire que ce que nous lui apprenons. Par exemple, il ne peut pas effectuer une activité qui n’a pas été définie auparavant, c’est-à-dire qu’il n’est pas capable de travailler de manière autonome.
Apprentissage non supervisé
La méthode d’apprentissage automatique non supervisé, contrairement à l’apprentissage supervisé, ne définit que les données d’entrée. L’algorithme élabore la procédure, la solution et le résultat par essais et erreurs. La machine recherche donc des similitudes et des liens entre les différents objets et leur attribue un marquage propre (tagging).
L’apprentissage non supervisé cherche des moyens de relier et de regrouper un ensemble de données sans utiliser de variable cible pour prédire les données. Il évalue les propriétés des données et les utilise pour créer des groupes d’articles similaires les uns aux autres. La technique d’apprentissage non supervisé fonctionne, par exemple, pour aider un détaillant qui souhaite regrouper des produits présentant des caractéristiques similaires.
En bref…
L’apprentissage automatique peut être résumé comme suit:
Collecte et préparation des données. L’algorithme identifie les sources et crée une structure basée sur les données compilées. Les données sont ensuite divisées en deux segments : les modèles de formation et les modèles de test.
Formation à l’aide d’ensembles de données de formation = réglage pour une vitesse de traitement et une précision maximales.
Test (vérification) = à l’aide d’un kit de test qui évalue l’efficacité de l’algorithme.
Après les tests, nous obtenons des résultats (output), tels que des conclusions ou des prédictions sur le comportement futur des utilisateurs et les performances de la machine. L’ensemble du processus de collecte, de formation et de validation est constamment répété à mesure que de nouvelles données arrivent.
Peuvent-ils apprendre plus naturellement?
“Les machines qui apprennent comme des bébés nous permettent de mieux comprendre comment l’esprit et le corps travaillent ensemble pour acquérir des connaissances et des compétences.”
La question de savoir comment les humains et les machines y parviennent sans presque aucune orientation est au centre de la psychologie du développement et de la robotique. Leur coopération mutuelle aboutit à des résultats remarquables dans les deux domaines.
Dans le cadre d’expériences basées sur la prédiction, le roboticien Jun Tani a testé les performances des algorithmes sur des robots apprenant des mouvements de base. Il a découvert que les machines peuvent acquérir des compétences de base telles que l’imitation des mouvements de la main et l’obéissance à des commandes de base telles que “pointer” et “frapper”. [1]
Qu’est ce que le apprentissage profond?
L’apprentissage profond imite la pensée humaine en utilisant diverses combinaisons de données. Ces données se combinent pour reconnaître, classer et décrire avec précision différents objets. Les modèles mathématiques sont au cœur de l’apprentissage.
L’apprentissage en profondeur nécessite une grande quantité de données et beaucoup de puissance de calcul, car il fixe de nombreux paramètres à des architectures souvent gigantesques. Cette technique nécessite donc un ordinateur très puissant doté d’un processeur graphique (GPU). Cette technique connaît un grand succès, par exemple, dans les domaines de la classification d’images, de textes, de sons et de vidéos.
Le robot a acquis des compétences qui imitent le comportement humain à l’aide de l’apprentissage en profondeur.
Faites connaissance avec iCub – le robot qui apprend de manière autonome
L’université de Plymouth, en Angleterre, a mis au point iCub, un androïde équipé d’un réseau neuronal qui lui permet d’apprendre des mots. Les chercheurs de l’université ont constaté que l’iCub apprenait plus facilement des mots lorsque les noms des corps étaient associés à des positions spécifiques. Les expérimentateurs ont placé à plusieurs reprises un ballon ou une tasse sur le côté droit ou gauche du robot. Celui-ci pouvait associer les objets aux mouvements nécessaires pour les regarder (tourner le corps ou incliner la tête). Il a ensuite associé ces activités aux noms des sujets. Le robot apprenait mieux ces mots lorsque l’objet apparaissait de manière répétée à un endroit particulier. De même, le réseau neuronal a affiché les nombres avec plus de précision lorsque l’iCub a appris à compter sur ses doigts et pas seulement sur les noms des nombres. [2]
Références:
[1], [2] KWON, Diana. Self-learning robots. Scientific American. Los Angeles, USA, 2018, p. 28-31. ISSN 0036-8733. Czech edition.