La plupart de l’intelligence artificielle repose toujours sur le travail humain. Regardez à l’intérieur d’un algorithme d’IA et vous trouverez quelque chose de construit à l’aide de données qui ont été organisées et étiquetées par une armée de travailleurs humains.

Maintenant, Facebook a montré comment certains algorithmes d’IA peuvent apprendre à faire un travail utile avec beaucoup moins d’aide humaine. L’entreprise a construit un algorithme qui a appris à reconnaître les objets dans les images avec peu d’aide des étiquettes.

L’algorithme de Facebook, appelé Seer (pour SElf-supERvised), se nourrissait de plus d’un milliard d’images extraites d’Instagram, décidant par lui-même quels objets se ressemblaient. Les images avec des moustaches, de la fourrure et des oreilles pointues, par exemple, ont été rassemblées en une seule pile. Ensuite, l’algorithme a reçu un petit nombre d’images étiquetées, y compris des «chats» étiquetés. Il était alors capable de reconnaître des images ainsi qu’un algorithme formé à l’aide de milliers d’exemples étiquetés de chaque objet.

«Les résultats sont impressionnants», déclare Olga Russakovsky, professeure adjointe à l’Université de Princeton spécialisée dans l’IA et la vision par ordinateur. «Obtenir un apprentissage auto-supervisé au travail est très difficile, et les percées dans ce domaine ont d’importantes conséquences en aval pour une meilleure reconnaissance visuelle.»

Russakovsky dit qu’il est à noter que les images Instagram n’ont pas été sélectionnées à la main pour faciliter l’apprentissage indépendant.

La recherche sur Facebook est un jalon pour une approche de l’IA connue sous le nom d ‘«apprentissage auto-supervisé», déclare le scientifique en chef de Facebook, Yann LeCun.

LeCun a été le pionnier de l’approche d’apprentissage automatique connue sous le nom d’apprentissage profond qui consiste à fournir des données à de grands réseaux de neurones artificiels. Il y a environ dix ans, l’apprentissage en profondeur est apparu comme un meilleur moyen de programmer les machines pour faire toutes sortes de choses utiles, telles que la classification d’images et la reconnaissance vocale.

Mais LeCun dit que l’approche conventionnelle, qui nécessite «d’entraîner» un algorithme en lui fournissant beaucoup de données étiquetées, ne sera tout simplement pas mise à l’échelle. «Je préconise depuis longtemps cette idée de l’apprentissage auto-supervisé», dit-il. «À long terme, les progrès de l’IA viendront de programmes qui ne font que regarder des vidéos toute la journée et apprendre comme un bébé.»

LeCun dit que l’apprentissage auto-supervisé pourrait avoir de nombreuses applications utiles, par exemple apprendre à lire des images médicales sans avoir besoin d’étiqueter autant de scans et de radiographies. Il dit qu’une approche similaire est déjà utilisée pour générer automatiquement des hashtags pour les images Instagram. Et il dit que la technologie Seer pourrait être utilisée sur Facebook pour faire correspondre les publicités aux publications ou pour aider à filtrer le contenu indésirable.

image de l'article

Le guide WIRED de l’intelligence artificielle

Les algorithmes supersmart ne prendront pas tous les emplois, mais ils apprennent plus vite que jamais, allant du diagnostic médical à la diffusion d’annonces.

La recherche sur Facebook s’appuie sur des progrès constants dans la mise au point des algorithmes d’apprentissage en profondeur pour les rendre plus efficaces et plus efficaces. L’apprentissage auto-supervisé était auparavant utilisé pour traduire du texte d’une langue à une autre, mais il était plus difficile de l’appliquer aux images qu’aux mots. LeCun dit que l’équipe de recherche a développé une nouvelle façon pour les algorithmes d’apprendre à reconnaître les images même lorsqu’une partie de l’image a été modifiée.

Facebook publiera une partie de la technologie derrière Seer, mais pas l’algorithme lui-même, car il a été formé à l’aide des données des utilisateurs d’Instagram.

Aude Oliva, qui dirige le laboratoire de perception et de cognition computationnelle du MIT, affirme que cette approche « nous permettra de prendre en charge des tâches de reconnaissance visuelle plus ambitieuses. » Mais Oliva dit que la taille et la complexité des algorithmes d’IA de pointe comme Seer, qui peuvent avoir des milliards ou des billions de connexions ou de paramètres neuronaux – bien plus qu’un algorithme de reconnaissance d’image conventionnel avec des performances comparables – posent également des problèmes. De tels algorithmes nécessitent d’énormes problèmes. quantités de puissance de calcul, ce qui met à rude épreuve l’approvisionnement disponible en puces.

Alexei Efros, professeur à l’UC Berkeley, affirme que l’article de Facebook est une bonne démonstration d’une approche qui, selon lui, sera importante pour faire progresser l’IA: faire apprendre aux machines par elles-mêmes en utilisant «des quantités gigantesques de données». Et comme pour la plupart des progrès de l’IA aujourd’hui, dit-il, il s’appuie sur une série d’autres avancées qui ont émergé de la même équipe de Facebook ainsi que d’autres groupes de recherche dans les universités et l’industrie.


Plus d’histoires WIRED

LAISSER UN COMMENTAIRE

Rédigez votre commentaire !
Entrez votre nom ici