Le paysage de la machine intelligence en 2018: un nouveau regard sur MI vs ML vs DL vs AI

Écrit par Christy Maver, vice-présidente du marketing

Il y a deux ans, nos co-fondateurs, Jeff Hawkins et Donna Dubinsky, ont écrit un article sur le blog intitulé Qu'est-ce que l'intelligence machine, l'apprentissage machine, l'apprentissage en profondeur et l'intelligence artificielle? Ce message, qui est rapidement devenu viral, a été notre tentative de donner un sens aux différentes approches de la construction de machines intelligentes - approches avec une terminologie similaire et souvent redondante. L’évaluation de haut niveau de Numenta a révélé qu’il existait 3 catégories principales dans cet espace, que nous avons appelées l’IA classique, les réseaux de neurones simples et les réseaux de neurones biologiques, comme indiqué dans le tableau ci-dessous.

Depuis la publication de cet article en 2016, des progrès ont été réalisés, à des degrés divers, dans chaque catégorie. Dans cet article, nous allons examiner de plus près chacun d’entre eux pour évaluer l’évolution de l’intelligence artificielle en 2018.

Tableau 2016 résumant les caractéristiques des 3 approches

L'approche classique de l'IA

En 2016, nous avons défini Classic AI comme une approche de systèmes experts. Les solutions classiques d'IA résolvent des problèmes spécifiques en utilisant un ensemble de règles programmées par des experts. Ils peuvent présenter des connaissances, mais uniquement dans des domaines spécifiques à un domaine. Les systèmes d'IA classiques peuvent créer une base de connaissances approfondie sur un problème particulier. Bien qu'il y ait eu des succès dans des domaines où un domaine ou une question est bien défini, Classic AI n'a pas beaucoup changé. Étant donné que cela a très peu à voir avec l'intelligence humaine et qu'il ne se généralise pas dans tous les domaines, il n'a pas suscité un énorme intérêt en tant que voie potentielle vers l'intelligence artificielle.

L'approche réseau neuronal simple

L'apprentissage automatique (ML) a connu une croissance explosive au cours des deux dernières années, tirée en grande partie par l'apprentissage en profondeur, qui utilise une approche de réseau neuronal simple. Un article récent de Forbes citait que les brevets d'apprentissage automatique avaient augmenté à un taux de croissance annuel composé (TCAC) de 34% entre 2013 et 2017, la troisième catégorie en croissance la plus rapide de tous les brevets accordés. Selon le rapport 2017 2017 sur les emplois émergents aux États-Unis de LinkedIn, le poste Machine Engineer est le poste qui connaît la croissance la plus rapide aux États-Unis. Nous avons constaté une augmentation des applications d’apprentissage automatique, des voitures autonomes aux services de médias sociaux, en passant par la reconnaissance faciale. Ce n’est pas seulement la quantité qui a augmenté mais la qualité aussi. Le taux d'erreur pour l'étiquetage d'images est passé de 28,5% à moins de 2,5% depuis 2010. Ce n'est pas parfait, comme le savent tous ceux qui connaissent la différence entre une tortue et un fusil, mais il s'est nettement amélioré depuis 2016. Déverrouillez un téléphone avec votre visage il y a deux ans.

Cependant, malgré les progrès réalisés, bon nombre des améliorations résultent directement d’une puissance informatique accrue et de jeux de données plus volumineux. Les techniques d'apprentissage automatique reposent généralement sur de grands ensembles de données étiquetées. Plus un algorithme ML contient plus de données, plus il peut être précis. Cependant, les données étiquetées peuvent être difficiles à obtenir et, dans de nombreux cas, n’existent pas. La dépendance de l’apprentissage par la machine crée un problème d’évolutivité difficile à résoudre si l’objectif est de créer des machines intelligentes.

L'approche des réseaux de neurones biologiques

L'approche biologique est basée sur l'hypothèse que l'intelligence générale dépend de principes que les autres approches ne capturent pas, et que le chemin le plus rapide vers une véritable IA est d'étudier le cerveau pour découvrir ces principes. C’est ce que nous faisons chez Numenta: nous recherchons les attributs essentiels qui ne peuvent être ignorés lors de la construction de systèmes intelligents. Ces attributs incluent la manière dont nous représentons les informations, comment la mémoire est une séquence de motifs, comment le comportement est intégré à l'apprentissage et comment l'apprentissage est continu. Au cœur de nos modèles se trouve un modèle de neurone biologiquement réaliste qui explique comment le cerveau établit ses prévisions. Il est beaucoup plus capable que les neurones abstraits et simplifiés utilisés dans les réseaux de neurones simples.

Depuis le billet de blog original, nous avons fait plusieurs progrès dans nos recherches. Nous avons publié cinq articles examinés par des pairs, y compris deux articles fondamentaux de la revue Frontiers, qui expliquent comment le cerveau apprend les modèles prédictifs du monde - d’abord avec des séquences extrinsèques et ensuite avec des séquences sensorimotrices. Nous avons fait d’autres découvertes que nous sommes en train de documenter. Une découverte particulière était si importante que nous avons décidé de concentrer toute notre énergie sur la recherche en neurosciences. Nous avons réduit le développement d’applications de manière à pouvoir nous concentrer presque exclusivement sur la théorie du cerveau. Nous sommes maintenant en train de mettre au point un cadre permettant de comprendre le fonctionnement du néocortex. Bien que nous n'ayons pas encore publié ce nouveau travail, nous avons présenté des exposés sur certaines de ses parties.

Le paysage de l'intelligence artificielle aujourd'hui

Bien que les trois approches aient progressé, une tendance intéressante s’est produite. Tout comme la machine learning et la formation en profondeur gagnent en popularité, il en va de même pour la prise de conscience de leurs limites, en particulier de la part des experts les plus respectés du secteur. Des personnalités telles que Geoff Hinton, Francois Chollet et Demis Hassabis ont exprimé leur préoccupation quant au besoin de nouvelles approches, au fait que la mise à l’échelle des techniques actuelles ne nous permettra pas d’y parvenir et que le cerveau pourra peut-être nous indiquer le chemin.

En surface, on peut espérer que les trois approches convergent vers une approche unique de l'intelligence artificielle générale. Et bien que cela puisse être vrai en esprit, son exécution est très différente. Il semble y avoir un consensus sur le fait que le cerveau offre un exemple de machine intelligente sur laquelle nous pouvons apprendre, mais l'approche d'apprentissage en profondeur utilise une tactique différente. En général, ils peuvent se tourner vers les neurosciences pour trouver une inspiration occasionnelle, mais pas pour des algorithmes détaillés. La précision biologique cède presque toujours la place aux solutions techniques.

Notre approche est essentiellement l’inverse: nous partons du cerveau et adhérons à la biologie. Si quelque chose n’est pas possible dans le cerveau, cela n’est pas possible dans nos théories et nos logiciels. Tout d’abord, notre objectif est de comprendre le cerveau. Nous pensons que c’est le moyen le plus rapide de créer une intelligence machine générale.

Sommaire

Fondamentalement, notre analyse des différentes approches de l'intelligence artificielle reste la même aujourd'hui qu'il y a deux ans. Nous continuons de penser que l'approche par réseau de neurones biologiques est la seule qui fournit une feuille de route garantie pour l'intelligence artificielle et constitue le moyen le plus rapide d'atteindre cet objectif. Nous sommes convaincus que le cadre de la théorie du cerveau que nous développons aujourd’hui sera le fondement des machines vraiment intelligentes de demain.

Si vous avez aimé lire cet article, veuillez cliquer sur l’icône «Clap» ci-dessous pour le recommander à vos followers. Pour en savoir plus sur la façon dont notre travail contribue à faire progresser l’état de la théorie du cerveau et de l’intelligence artificielle, visitez notre site Web ou suivez-nous sur Facebook et Twitter.

Publié à l'origine sur numenta.com le 16 mai 2018.