[daniel]

Bonjour tout le monde !

Les célèbres réseaux de neurones artificiels sont des as de la reconnaissance (des visages, des objets, des sons, etc.). Les voilà désormais qui apprennent à raisonner à partir de l'expérience.

En Intelligence artificielle, les célèbres « réseaux de neurones artificielles » occupent le haut de l'affiche. Ces programmes informatiques qui simulent des réseaux neuronaux biologiques (de manière très simplifiée) sont passés maîtres dans l'art de la reconnaissance : des visages, des objets, des scènes, du langage parlé, etc., grâce à une incroyable capacité à apprendre par l'expérience (« entrainement »).

Mais ces systèmes ont un grand défaut : ils ne savent pas faire des raisonnements logiques (ou symboliques) comme le font les ordinateur classiques. Or des chercheurs de la société DeepMind (rachetée en 2014 par Google) proposent dans un article de la revue Nature un nouveau type de réseau de neurones qui apprend à raisonner... Une petite révolution dans l'IA.

Des as de la reconnaissance...

Machine Learning, Réseaux profonds ou Deep Learning... tous ces termes désignent la technologie des réseaux de neurones artificiels (RN), imaginée dès les années 1980 mais devenus incontournables depuis le milieu des années 2000, grâce à l'explosion des ressources disponibles dans les réseaux et aux immenses bases de données délocalisées..

Capables de filtrer des milliards de signaux visuels, sonores, etc. pour en extraire les figures qui se répètent, les RN peuvent apprendre à reconnaître un visage particulier parmi de centaines de millions, ou encore la présence d'un objet donné (un chat, une tasse, etc.) sur des photos ou vidéos qu'ils n'ont jamais vu (après entrainement).

... mais sans la moindre aptitude au raisonnement symbolique

Néanmoins, la manière dont les RN ont été pensés puis mis en pratique n'inclut absolument pas l'autre grande compétence de l'informatique : manier le langage logique, fait de purs symboles et d'opérations sur ces symboles, afin de résoudre des problèmes. Dans un ordinateur classique, cette compétence est transmise par les humains via les algorithmes : une série d'instructions en langage symbolique indiquant à la machine les étapes des raisonnements à effectuer.

Mais en revanche il n'y a aucun moyen de former un RN à répondre à des questions logiques aussi simples que : « si Jean joue au ballon dans la cour, où se trouve le ballon ? » (Réponse : dans la cour). Les RN ne savent que comparer des millions de flux d'information pour reconnaître (avec une certaine tolérance probabiliste) la signature d'un flux particulier.

Doter un réseau de neurones d'une mémoire de travail

Pourtant le cerveau humain, lui-même formé de réseaux de neurones, y arrive bien. C'est à partir de ce constat, que les chercheurs ont réfléchi à la manière de doter les RN de cette compétence symbolique et crée le système DCN ("Differentiable neural network"), qu'ils présentent dans l'article.

L'idée de base est de doter un RN d'une « mémoire de travail » - la RAM dans les ordinateurs classiques, lieu où la machine procède à des combinaisons entre symboles suivant les règles explicitées dans l'algorithme (calcul logique).

S'entrainer à trouver le trajet le plus court

Mais il ne s'agit pas de coupler un RN avec un ordinateur classique, un mariage contre-nature car les deux types de machines fonctionnent sur des principes totalement différents. Plutôt, les chercheurs ont voulu intégrer la fonction « mémoire de travail » dans la structure même du réseau. Résultat : leur système peut résoudre des problèmes... en apprenant les règles du raisonnement symbolique à partir d'exemples.

Ainsi, après avoir entrainé leur système à reconnaître les trajets les plus courts sur des graphes représentant des lieux reliés par des routes, et en compliquant chaque fois plus l'exercice (plus de lieux et de routes), les chercheurs ont présenté à leur système le graphe (plan) du métro londonien, en lui demandant de trouver le plus court trajet menant d'une station à une autre, ce que le système a réussi à faire.

Un exploit

En d'autres termes, par l'apprentissage, le système neuronal à « induit » les principes logiques de maniement des symboles (stations et trajets) afin de trouver la meilleure solution. Certes, cet exercice aurait pu être résolu par un ordinateur des années 1970... mais à condition qu'un opérateur lui injecte un algorithme de calcul d'optimisation des trajets.

Bref, le système a généré dans sa représentation interne l'équivalent d'un algorithme d'optimisation sans avoir été programmé pour cela. Il a ainsi accompli la fusion entre les compétences des RN (apprentissage) et celles des ordinateurs classiques (raisonnement logique). Un exploit.

-Román Ikonicoff

[Alain V]

Intéressant
Alors dans ce cas, si Dieu a créé l'homme à son image, nous voici nous entrain de créer des robots à notre image