Ajuster le logiciel d’IA pour qu’il fonctionne comme un cerveau humain améliore la capacité d’apprentissage de l’ordinateur –

  • FrançaisFrançais



  • L’intelligence artificielle informatisée peut fonctionner davantage comme l’intelligence humaine lorsqu’elle est programmée pour utiliser une technique beaucoup plus rapide pour apprendre de nouveaux objets, disent deux neuroscientifiques qui ont conçu un tel modèle conçu pour refléter l’apprentissage visuel humain.

    Dans le journal Frontières de la neuroscience computationnelle, Maximilian Riesenhuber, PhD, professeur de neurosciences, au Georgetown University Medical Center, et Joshua Rule, PhD, chercheur postdoctoral à l’UC Berkeley, expliquent comment la nouvelle approche améliore considérablement la capacité des logiciels d’IA à apprendre rapidement de nouveaux concepts visuels.

    «Notre modèle offre un moyen biologiquement plausible aux réseaux de neurones artificiels d’apprendre de nouveaux concepts visuels à partir d’un petit nombre d’exemples», déclare Riesenhuber. “Nous pouvons faire en sorte que les ordinateurs apprennent beaucoup mieux à partir de quelques exemples en tirant parti de l’apprentissage antérieur d’une manière qui, selon nous, reflète ce que fait le cerveau.”

    Les humains peuvent apprendre rapidement et avec précision de nouveaux concepts visuels à partir de données rares – parfois un seul exemple. Même les bébés de trois à quatre mois peuvent facilement apprendre à reconnaître les zèbres et à les distinguer des chats, des chevaux et des girafes. Mais les ordinateurs ont généralement besoin de “voir” de nombreux exemples du même objet pour savoir ce que c’est, explique Riesenhuber.

    Le grand changement nécessaire consistait à concevoir un logiciel pour identifier les relations entre des catégories visuelles entières, au lieu d’essayer l’approche plus standard consistant à identifier un objet en utilisant uniquement des informations de bas niveau et intermédiaires, telles que la forme et la couleur, explique Riesenhuber.

    «La puissance de calcul de la hiérarchie du cerveau réside dans le potentiel de simplifier l’apprentissage en tirant parti des représentations précédemment apprises à partir d’une banque de données, pour ainsi dire pleine de concepts sur les objets», dit-il.

    Riesenhuber et Rule ont découvert que les réseaux de neurones artificiels, qui représentent des objets en termes de concepts précédemment appris, apprenaient de nouveaux concepts visuels beaucoup plus rapidement.

    Rule explique: “Plutôt que d’apprendre des concepts de haut niveau en termes de fonctionnalités visuelles de bas niveau, notre approche les explique en termes d’autres concepts de haut niveau. C’est comme dire qu’un ornithorynque ressemble un peu à un canard, un castor, et une loutre de mer. “

    L’architecture cérébrale sous-jacente à l’apprentissage du concept visuel humain s’appuie sur les réseaux de neurones impliqués dans la reconnaissance d’objets. On pense que le lobe temporal antérieur du cerveau contient des représentations conceptuelles «abstraites» qui vont au-delà de la forme. Ces hiérarchies neuronales complexes pour la reconnaissance visuelle permettent aux humains d’apprendre de nouvelles tâches et, surtout, de tirer parti de l’apprentissage antérieur.

    “En réutilisant ces concepts, vous pouvez apprendre plus facilement de nouveaux concepts, une nouvelle signification, comme le fait qu’un zèbre est simplement un cheval d’une rayure différente”, explique Riesenhuber.

    Malgré les progrès de l’IA, le système visuel humain reste la référence en termes de capacité à généraliser à partir de quelques exemples, à gérer de manière robuste les variations d’image et à comprendre les scènes, disent les scientifiques.

    «Nos résultats suggèrent non seulement des techniques qui pourraient aider les ordinateurs à apprendre plus rapidement et plus efficacement, mais ils peuvent également conduire à des expériences de neurosciences améliorées visant à comprendre comment les gens apprennent si rapidement, ce qui n’est pas encore bien compris», conclut Riesenhuber.

    Ce travail a été financé en partie par le Lawrence Livermore National Laboratory et par la National Science Foundation (1026934 et 1232530) Graduate Research Fellowship Grants.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.