L'Intelligence Artificielle expliquée à ma Chérie - Part1: L'Apprentissage
Comment construire des ordinateurs capables de penser, aider les hommes dans diverses situations, réagir aux imprévus ? En bref comment construire des ordinateurs plus “intelligents”?
L’intelligence est pour l’instant le propre de l’homme, et en parti des animaux, mais il reste difficile de la définir précisément. A partir de quel moment peut-on considérer que quelque chose est intelligent ?
Je pense qu’une partie de la réponse réside dans l’apprentissage. L’apprentissage peut-être considéré comme la capacité qu’à quelqu’un ou quelque chose à s’améliorer au cours du temps. Ainsi pour moi on ne nait pas intelligent mais on le devient.
L’Apprentissage
Essayons de définir ce qu’est l’apprentissage en mettant de côté les considérations philosophiques et psychologiques. On peut distinguer 3 types d’apprentissages: l’apprentissage supervisé, l’apprentissage non-supervisé et l’apprentissage par renforcement.
Tentons de donner une première définition de ces concepts:
-
Dans l’apprentissage supervisé un professeur pose un problème à un élève et donne la solution à l’élève si jamais l’élève se trompe.
-
Dans l’apprentissage non-supervisé il n’y a pas de professeurs, l’élève apprend par lui même.
-
L’apprentissage par renforcement: est le mieux décrit par l’expression “tout ce qui ne me tue pas me rends plus fort”.
L’Apprentissage Supervisé
Considérons le problème suivant: on montre des images à un ordinateur et on veut qu’il soit capable de dire s’il s’agit d’un chat ou d’un chien dans l’image. Les problèmes de ce type sont appelés problème de classifications: étant donné un ensemble d’objets, on veut classer chaque objet dans la catégorie qui lui correspond. Comment résoudre ce problème ?
Une première approche consiste à définir un ensemble de règles (par exemple: si l’objet à 4 roues alors il s’agit d’une voiture). Mais très vite on s’aperçoit que le nombre de règles nécessaires est gigantesque et que ces règles sont potentiellement difficile à trouver.
Supposons que l’on ait un ensemble d’images de chiens et de chats, une deuxième approche consiste à comparer chaque nouvelle image à toutes les images de chats et de chiens dans notre base de données, et de trouver l’image la plus “similaire”, si l’image la plus similaire est un chien alors l’ordinateur répond que l’image est un chien. Le problème de cette méthode est de définir ce que l’on entend par similaire.
La dernière méthode consiste à montrer pleins d’images (des millions) de chats et de chiens à l’ordinateur et de lui demander de prédire s’il s’agit d’un chien ou d’un chat. Si jamais l’ordinateur se trompe on lui donne la bonne réponse, et on répète le processus jusqu’à ce que l’ordinateur ne se trompe plus. C’est cette méthode qui en pratique marche le mieux, on ne sait pas très bien pourquoi cette méthode marche mieux que les autres mais elle a fait ses preuves et aujourd’hui un ordinateur est capable de distinguer différentes races de chiens bien mieux qu’un humain. Le problème principal de cette approche est qu’elle requiert énormément de données et de calculs, la recherche actuellement se concentre donc sur comment améliorer ces méthodes pour qu’elle requiert moins de calculs et de données.
Cette méthode est très général et permet de résoudre vraiment beaucoup de problèmes à partir du moment ou on donne suffisamment de données à l’ordinateur.
Demo: Pas convaincu ? Test cette algorithme par toi même !
Entre l'url de l'image et voie le résultat par toi même. Cette algorithme a été entrainer sur des millions d'images et s'améliore chaque jour. Plus on lui montre d'images, meilleurs il devient.
(Cela peut prendre quelques secondes.)
| # | Description | Score |
|---|
L’Apprentissage Non-supervisé
Considérons le problème suivant: On veut faire dessiner l’image d’un chien à un ordinateur ? Malheureusement les méthodes précédentes ne peuvent pas être appliquées directement à ce problème. Il faut donc trouver de nouvelles méthodes.
Une méthode proposée récemment appelée modèle génératif est la suivante: considérons 2 ordinateurs jouant à un jeux. Le premier ordinateur joue le rôle du fossoyeur son but est de générer des dessins de chiens qui ont l’air “le plus réaliste” possible. Le deuxième ordinateur joue le rôle d’un policier son but est de distinguer entre une vrai image d’un chien et un dessin généré par le fossoyeur. Le jeux se déroule en 2 étapes: tout d’abord le fossoyeur dessine un chien, ensuite le dessin est montre au policier, si le policier arrive a deviner que le chien a été dessiné par le fossoyeur le policier gagne la partie. Si jamais le policier se trompe dans ce cas c’est le fossoyeur qui gagne. Au début de la partie le policier est débutant, le fossoyeur n’a donc pas besoin de savoir dessiner très bien pour tromper le policier. Mais au fur et à mesure de la partie le policier s’améliore et mets au points de nouvelle technique pour distinguer la vraie image du chien du dessin, forçant ainsi le fossoyeur à améliorer son dessin. On continue la partie jusqu’à ce que le fossoyeur soit capable de copier exactement l’image du chien jusque dans les moindres détails.
Grâce à cette méthodes des chercheurs ont réussi à générer des images de visages tellement réaliste qu’il est quasiment incapable de les distinguer de vrais visages. Toutefois cette méthode requiert énormément de calcul, les chercheurs essayent donc de trouver des techniques pour diminuer la quantité de calculs.
La portée de cette méthode est assez importante, car elle permet aux ordinateurs de copier n’importe quoi: des images, des sons, des mouvements,…. L’imitation est un facteur très important dans l’apprentissage chez les enfants !
La chose assez incroyable c’est qu’en plus d’être capable d’imiter, cette méthode permet aux ordinateurs d’être créatif. Si l’ordinateur apprend par exemple à reproduire plein de chansons différentes, il est capable de créer ses propres nouvelles chansons !