BFM Business

Google a appris à son intelligence artificielle à se déplacer dans le métro londonien

-

- - Jamie Squire – Getty Images North America AFP

Les chercheurs de l'équipe de DeepMind ont amélioré les capacités de leur intelligence artificielle en lui donnant de la mémoire.

Un grand pas en avant... entre le quai et la rame. DeepMind, la société rachetée par Google et spécialisée dans l'intelligence artificielle, vient d'introduire une nouvelle IA. Cet outil repose sur un réseau neuronal doté d'une "mémoire augmentée", appelé Differentiable neural computers ou DNC.

De manière schématique, un réseau neuronal classique est capable de prendre une décision ou de reconnaître des formes rapidement et efficacement. En revanche, les tâches plus complexes lui posent problème. La "nouvelle" forme de réseau neuronal à mémoire augmentée est beaucoup plus adapté à la résolution de questions moins évidentes qui reposent sur l'examen de nombreux choix offerts par des données structurées complexes.

Quoi qu'il en soit, pour tester leur nouvel algorithme, les chercheurs lui ont demandé de trouver des trajets dans le métro londonien, où nombre de voyageurs se sont déjà perdus.
En partant du plan de ce réseau, ce nouvel outil a pu répondre correctement à la question "à partir de l’arrêt Bond Street et en prenant la Central Line pour un arrêt, Circle Line pour quatre arrêts et Jubilee Line pour deux arrêts, à quel arrêt arrivez-vous"? Un autre test a été de lui demander le plus court chemin entre deux stations. Pour donner la bonne réponse, l’outil a eu recours à sa mémoire qui contenait les différentes possibilités de connexion entre les lignes.

DNC a été formé en utilisant des graphiques générés au hasard (à gauche). Il a ensuite été testé pour voir s'il pouvait naviguer seul dans le métro londonien.
DNC a été formé en utilisant des graphiques générés au hasard (à gauche). Il a ensuite été testé pour voir s'il pouvait naviguer seul dans le métro londonien. © DeepMind

Autre exemple de cette étonnante capacité à établir des liens entre différentes données. Après lui avoir fourni un arbre généalogique, les chercheurs ont demandé au DNC "qui est le grand-oncle maternel de Freya?". Question à laquelle le système a fourni la bonne réponse.

Rendre l'IA plus "humaine"

"Lorsque nous avons imaginé DNC, expliquent les chercheurs, nous souhaitions une machine qui pouvait apprendre à naviguer seul dans des structures complexes." Au cœur d’un DNC, "il y a un réseau neuronal appelé un contrôleur", explique Deepmind. Ce contrôleur fonctionne de la même manière que le processeur d’un ordinateur. Le contrôleur récupère les données externes, lit et écrit sur la mémoire, puis produit des réponses.

Ce contrôleur peut donc conserver des données en mémoire et y recourir en cas de besoin. Ce que ne font pas les réseaux neuronaux traditionnels. Ceux-ci sont capables d’apprendre tout ce qui est nécessaire pour fournir le moyen le plus rapide d’aller d’un point A à un point B dans un réseau de transport en commun, pourvu qu’ils aient été "nourris" de toutes les données nécessaires et ce régulièrement puisqu’ils n’ont pas de mémoire.

"Quand un DNC donne une réponse, nous la comparons avec une réponse correcte souhaitée. Au fil du temps, le contrôleur apprend à produire des réponses qui sont de plus en plus proches de la bonne réponse. Et dans ce processus, il a va utiliser sa mémoire", expliquent les chercheurs. C'est d'ailleurs la façon dont il utilise sa mémoire qui est intéressante. Le DNC apprend à l'utiliser au fur et à mesure de ses progrès de telle sorte qu'il s'approche toujours davantage de la bonne réponse de la manière la plus efficace possible sans qu'on lui dise comment s'y prendre. Mieux, il est capable, une fois un raisonnement utilisé dans un environnement de le reproduire dans un autre en le gardant en mémoire. Il peut ainsi appliquer la technique de recherche d’itinéraire mise en place pour le métro londonien au réseau parisien.

Ce progrès devrait ouvrir de nouveaux champs d'applications aux réseaux neuronaux. Cette machine est capable d'apprendre sans programmation préalable et peut organiser des informations en établissant des connexions entre des faits. Faits qu'elle utilise pour résoudre des problèmes. On croirait à la science fiction, mais Deepmind en a fait une réalité.