Ce n'est pas la peine de voter négativement sur l'article, ne tuez pas le messager, il n'y est pour rien..., à l'inverse consultez plutôt les informations complémentaires en bas d'article.
Amicalement,
f.
En mai 2017, les chercheurs de Google Brain annonçaient la création d’AutoML, une intelligence artificielle (IA) capable de générer ses propres IA, plus performantes encore. Plus récemment, les chercheurs ont décidé de confronter AutoML à son plus grand défi, jusqu’à ce jour. Cette IA qui peut générer d’autres IA a effectivement créé un véritable « enfant », qui a surpassé tous ses homologues conçus par l’Homme.
À présent, les chercheurs de Google ont automatisé la conception de modèles d’apprentissage automatique en utilisant une approche appelée apprentissage par renforcement : AutoML agit comme un contrôleur de réseau neuronal, qui développe un réseau IA dit enfant, pour qu’il effectue une tâche spécifique.
Concernant cette nouvelle IA que les chercheurs ont appelé NASNet, la tâche constitue à reconnaître des objets : des personnes, des voitures, des feux de circulation, des sacs à main, des sacs à dos, etc., et tout cela en vidéo et en temps réel. AutoML évalue ensuite les performances de NASNet et utilise ces informations pour améliorer la nouvelle IA, tout en répétant ce processus des milliers de fois, afin de maximiser son amélioration.
Lorsque cela a été testé sur les ensembles de données de classification d’images ImageNet (une base de données d’image organisée) et COCO (Common Objects in Context – un ensemble de données de détection, de segmentation et de sous-titrage d’objets à grande échelle), que les chercheurs de Google qualifient de « deux des ensembles de données académiques à grande échelle les plus respectés en vision par ordinateur », l’IA NASNet a surpassé tous les autres systèmes de vision existants à ce jour.
Selon les chercheurs, NASNet a atteint une précision de 82,7% pour prédire les images sur l’ensemble d’ImageNet. C’est 1,2% mieux que tous les résultats précédemment publiés. Le système est également 4% plus efficace avec une précision moyenne de 43,1% (mean Average Precision – mAP). De plus, une version moins exigeante (en termes de calculs) de NASNet a surpassé de 3,1% tous les meilleurs modèles de taille similaire, pour les plates-formes mobiles.
L’apprentissage automatique est ce qui donne à de nombreux systèmes d’IA leur capacité à effectuer des tâches spécifiques. Bien que ce concept soit assez simple – un algorithme apprend en étant nourri par de grandes quantités de données – le processus demande tout de même énormément de temps et de calculs. En automatisant le processus de création de systèmes d’IA précis et efficaces, une IA capable d’en concevoir une autre, prend en charge ce travail conséquent.
En ce qui concerne NASNet spécifiquement, des algorithmes de vision par ordinateur précis et efficaces sont très recherchés en raison du nombre d’applications potentielles. En effet, ces algorithmes pourraient être utilisés pour créer des robots sophistiqués pilotés par des IA. Ils pourraient également aider des concepteurs à améliorer les technologies des véhicules autonomes : plus un véhicule autonome sera rapide pour reconnaître les objets situés sur son passage et dans son entourage, plus vite il pourra y réagir, augmentant de ce fait la sécurité de ces véhicules.
Les chercheurs de Google reconnaissent que NASNet pourrait être très utile concernant un vaste éventail d’applications et ont disposé l’IA en open source pour l’inférence sur la classification des images et la détection d’objets. « Nous espérons que la plus grande communauté d’apprentissage automatique pourra s’appuyer sur ces modèles pour résoudre la multitude de problèmes de vision par ordinateur que nous n’avons pas encore imaginés », expliquent les chercheurs.
Bien que les applications pour NASNet et AutoML soient nombreuses, le fait qu’une IA soit capable d’en créer une autre, soulève également certaines inquiétudes. Par exemple, qu’est-ce qui empêcherait l’IA « parent » de transmettre des éléments indésirables à son « enfant » ? Et si AutoML créait des systèmes de manière si rapide, que la société ne puisse plus suivre ? En effet, il n’est pas difficile d’imaginer comment NASNet pourrait être utilisé dans les systèmes de surveillance automatisés dans un proche avenir. Peut-être même bien avant que les réglementations pour contrôler ce système et ses limites, ne voient le jour.
Espérons donc que les dirigeants du monde travaillent assez rapidement et efficacement pour s’assurer que de tels systèmes ne mènent à aucune sorte d’avenir dystopique. Il faut savoir qu’Amazon, Facebook, Apple et d’autres grandes entreprises sont toutes membres du Partnership on AI to Benefit People and Society (Partenariant pour que l’IA soit bénéfique aux gens et à la société), une organisation axée sur le développement responsable et contrôlé des IA.
L’Institut des ingénieurs en électrique et électronique (IEE) a proposé des normes éthiques pour les IA, et DeepMind, une entreprise de recherche appartenant à Google, a récemment annoncé la création d’un groupe axé sur les implications morales et éthiques de l’IA.
Plusieurs gouvernements travaillent également sur des réglementations, visant à empêcher l’utilisation de l’IA à des fins dangereuses, telles que les armes autonomes. Tant que le contrôle sera maintenu quant à la direction générale du développement des IA, les avantages de posséder une IA capable d’en concevoir d’autres, comme c’est le cas ici, devraient l’emporter sur les dangers potentiels.
Source : Trustmyscience.com
Vous aimez ce que vous lisez ? Notre travail est gratuit et indépendant, mais il a un coût. Vous pouvez nous soutenir librement grâce à un don via Tipeee ou PayPal. Si vous ne pouvez pas nous aider financièrement (ce que je peux comprendre parfaitement), vous pouvez partager les articles sur vos réseaux sociaux, et parler du site autour de vous. Merci à celles et ceux qui rendent tout cela possible.
Ajouter Crashdebug.fr à GoogleInformations complémentaires :
Terms & Conditions
Subscribe
Report
My comments