Le modèle dIA du MIT peut capturer lui-même les relations entre les objets avec un minimum de données de formation

Les systèmes d'apprentissage profond fonctionnent en sélectionnant des modèles statistiques dans les données : c'est ainsi qu'ils interprètent leur propre vision du monde. Cependant, cette méthode d'apprentissage statistique nécessite une grande quantité de données d'entrée et n'est pas particulièrement utile pour aider les systèmes d'apprentissage en profondeur à appliquer les connaissances du passé à de nouvelles situations, contrairement à l'IA symbolique, qui permet d'enregistrer la séquence d'étapes suivies pour réaliser un résultat. décision avec moins de données que les méthodes traditionnelles.

• Le prix Nobel de la technologie a été décerné à un logiciel qui apprend à l'IA à apprendre comme les humains

Une nouvelle étude menée par une équipe de scientifiques en intelligence artificielle du MIT, du MIT-IBM Watson AI Lab et de DeepMind montre le potentiel de la formation à l'IA lorsqu'elle est appliquée à une tâche symbolique spécifique, par exemple comprendre la signification des images. En conséquence, lors d'expériences, les modèles d'IA des scientifiques ont acquis des concepts liés aux objets tels que la couleur et la forme, puis ont utilisé ces connaissances pour créer des relations entre de nombreux objets dans une scène, tout en ne nécessitant que des données d'entraînement minimales et sans avoir à être explicitement programmé.

« Nous savons tous que l’utilisation d’une combinaison de mots et d’illustrations est un moyen efficace d’aider les enfants à apprendre et à mémoriser un concept spécifique. Notre idée de ce modèle symbolique d’IA est la même. Grâce à cela, le système aura besoin de moins de données de formation et sera mieux à même de transférer les connaissances acquises à de nouvelles situations", a déclaré l'informaticien Jiayuan Mao, responsable du projet de recherche partagée.

• Des chercheurs de Google laissent l'IA jouer à des jeux pour améliorer l'apprentissage par renforcement

Essentiellement, ce modèle d'IA se compose d'un composant de réception d'informations, qui convertit les images en interprétation basée sur des objets, et d'une couche de langage qui extrait le sens des mots et des phrases, puis crée des « programmes symboliques » qui aident l'IA à savoir comment répondre à la question. De plus, il y aura un troisième module qui exécutera des programmes symboliques en arrière-plan et fournira des réponses, mettant à jour les connaissances du modèle d'IA lorsqu'il commet des erreurs.

Les chercheurs ont formé ce modèle d’IA sur des images combinées à de nombreuses questions et réponses pertinentes. La capacité de l’IA à comprendre les images était alors supervisée par l’Université de Stanford. En général, l’IA doit répondre à des questions telles que : Quelle est la couleur de l’objet ? Combien d’objets se trouvent à côté d’un autre objet ? Ou de quel matériau est fait cet objet ? La complexité des questions augmentera naturellement avec le niveau de compréhension du modèle IA, et à mesure qu'il maîtrise les concepts au niveau objet, le modèle IA apprendra à établir des liens entre de nombreux objets et leurs propriétés ensemble, cela peut être considéré comme un stade avancé.

• Winnow utilise la vision par ordinateur pour réduire les déchets dans la transformation des aliments

Lors d'expériences, il a été démontré que ce modèle d'IA était capable d'interpréter presque parfaitement de nouvelles scènes et concepts, surpassant les autres systèmes d'IA avancés, tout en utilisant seulement 5 000 images et 100 000 questions (contre environ 70 000 images et 700 000 questions pour les modèles d'IA conventionnels). . À l’avenir, le principal travail des chercheurs sera d’améliorer les performances du modèle d’IA dans la compréhension des photos du monde réel, puis de s’orienter progressivement vers la manipulation vidéo et robotique.