À de très rares exceptions près, chaque avancée majeure dans l’intelligence artificielle ce siècle a été le résultat de l’apprentissage automatique. Comme son nom l'indique (et contrairement à l'IA symbolique qui a caractérisé une grande partie de la première moitié du l’histoire du domaine), l’apprentissage automatique implique des systèmes intelligents qui ne se contentent pas de suivre des règles mais qui, en réalité, apprendre.
Mais il y a un problème. Contrairement à un petit enfant humain, l’apprentissage automatique doit recevoir un grand nombre d’exemples de formation avant de pouvoir les reconnaître avec succès. Il n’existe pas, disons, de voir un objet comme un « idiot » (vous ne savez pas ce que c’est, mais nous vous parions) vous vous en souviendrez si vous en voyiez un) et, par la suite, être capable de reconnaître chaque doofer ultérieur que vous voyez.
Vidéos recommandées
Si l’A.I. va être à la hauteur de son potentiel, il est important qu’il puisse apprendre de cette façon. Bien que le problème n'ait pas encore été résolu, un
nouveau document de recherche de l'Université de Waterloo en Ontario décrit un processus de percée potentiel appelé apprentissage LO-shot (ou moins d'un coup). Cela pourrait permettre aux machines d’apprendre beaucoup plus rapidement, à la manière des humains. Cela serait utile pour un large éventail de raisons, mais particulièrement dans les scénarios dans lesquels de grandes quantités de données n'existent pas pour la formation.La promesse d’un apprentissage en moins d’une seule fois
"Notre article d'apprentissage LO-shot explore théoriquement le plus petit nombre possible d'échantillons nécessaires à la formation de modèles d'apprentissage automatique." Ilia Sucholutsky, un doctorat. étudiant travaillant sur le projet, a déclaré à Digital Trends. « Nous avons constaté que les modèles peuvent en réalité apprendre à reconnaître plus de classes que le nombre d’exemples de formation qui leur sont donnés. Nous avons initialement remarqué ce résultat de manière empirique en travaillant sur notre précédent article sur distillation d'ensembles de données en étiquette souple, une méthode permettant de générer de minuscules ensembles de données synthétiques qui entraînent les modèles avec les mêmes performances que s'ils avaient été entraînés sur l'ensemble de données d'origine. Nous avons découvert que nous pouvions entraîner les réseaux neuronaux à reconnaître les 10 chiffres – de zéro à neuf – après avoir été formés sur seulement cinq exemples synthétiques, soit moins d’un par chiffre. … Nous avons été vraiment surpris par cela, et c’est ce qui nous a amenés à travailler sur ce document d’apprentissage LO-shot pour essayer de comprendre théoriquement ce qui se passait.
Sucholutsky a souligné qu'il n'en était qu'à ses débuts. Le nouvel article montre que l’apprentissage LO-shot est possible. Les chercheurs doivent désormais développer les algorithmes nécessaires à l’apprentissage LO-shot. Entre-temps, il a déclaré que l'équipe avait suscité l'intérêt de chercheurs dans des domaines aussi divers que la volcanologie, l'imagerie médicale et la cybersécurité, qui pourraient toutes bénéficier de ce type d'IA. apprentissage.
« J'espère que nous pourrons bientôt commencer à déployer ces nouveaux outils, mais j'encourage d'autres les chercheurs en apprentissage automatique devraient également commencer à explorer cette direction pour accélérer ce processus », Sucholutsky dit.
Recommandations des rédacteurs
- Des robots de sécurité pourraient arriver dans une école près de chez vous
- Amazon déploie l'IA pour résumer les avis sur les produits
- Amazon prévoit des changements « uniques dans une génération » pour la recherche, révèle une offre d'emploi
- La dernière A.I. de Nvidia les résultats prouvent qu'ARM est prêt pour le centre de données
- La nouvelle voix A.I. de Nvidia on dirait une vraie personne
Améliorez votre style de vieDigital Trends aide les lecteurs à garder un œil sur le monde en évolution rapide de la technologie avec toutes les dernières nouvelles, des critiques de produits amusantes, des éditoriaux perspicaces et des aperçus uniques.
