Combinés aux dernières prouesses de Google en matière d’apprentissage non supervisé, avec AlphaGo Zero, ils pourraient faire avancer plusieurs disciplines de la recherche scientifique. Des véhicules autonomes à la robotique, en passant par les algorithmes permettant de prédire la criminalité ou de lutter contre le réchauffement climatique, l’intelligence artificielle est une discipline en pleine expansion, qui touche quasiment tous les domaines de l’économie. Mais c’est aussi une science d’une grande complexité, où les talents se font rares pour des besoins toujours croissants. C’est pourquoi des chercheurs de Google ont aujourd’hui pour ambition de simplifier la tâche de leurs programmeurs, en automatisant les parties les plus laborieuses et rébarbatives de leur travail. Dans le cadre d’un projet baptisé AutoML, ils ont ainsi mis au point des algorithmes d’apprentissage machine (machine learning) capables de générer… d’autres algorithmes d’apprentissage machine.

Biomimetisme et machine learning

brain

Rappelons que l’apprentissage machine est une branche de l’intelligence artificielle qui repose sur des techniques statistiques complexes et permet aux ordinateurs de s’améliorer grâce à l’expérience. La plupart des progrès effectués dans le domaine de l’intelligence artificielle au cours des dernières années sont imputables à cette discipline. Dans le cas présent, le logiciel d’AutoML a codé des réseaux neuronaux, algorithmes grossièrement inspirés du fonctionnement du cerveau humain, avec des résultats prometteurs. Ainsi, soumis à un exercice visant à catégoriser des images en fonction de leur contenu, un problème classique dans le domaine de l’intelligence artificielle, l’algorithme généré par ordinateur a obtenu 82% de bonnes réponses, un score très honorable quand on sait que les meilleurs programmes codés par des humains tournent autour de 93%. Sur certains exercices, l’algorithme d’AutoML a même fait mieux que ses homologues codés à la main. Chargé d’identifier la nature d’éléments isolés sur certaines images, sa précision a été de 43%, là où les meilleurs algorithmes existants n’obtiennent que 39% !

.

Des Intelligences artificielles capables d'écrire leurs propres codes

Machine learning

Shutterstock

Pour l’heure, ces algorithmes générés artificiellement demeurent très simples. Nous sommes donc loin des prédictions apocalyptiques annonçant l’avènement de machines super-intelligentes capables de se dupliquer elles-mêmes pour prendre le contrôle sur les humains. Mais la performance demeure impressionnante. Elle fait suite à d’autres initiatives similaires dans ce domaine. Ainsi, en février dernier, un groupe de chercheurs de Microsoft et de l’Université de Cambridge ont mis au point DeepCoder, un logiciel capable d’écrire son propre code en piochant des lignes à droite à gauche dans des programmes déjà existants. En 2015, des chercheurs du MIT ont quant à eux créé un programme susceptible de résoudre ses propres bugs logiciels en identifiant les lignes de code défaillantes et en les remplaçant par d’autres lignes issues de programmes tiers.

Venir en aide aux chercheurs

L’objectif de ces différentes initiatives n’est pas de créer des intelligences artificielles toutes-puissantes, ni de prendre la place des programmeurs, mais plutôt de les assister pour accroître leurs capacités créatrices. Quoiqu’en pleine ébullition, l’intelligence artificielle manque en effet cruellement d’hommes pour servir ses ambitions. « L’une des manières de rendre l’intelligence artificielle plus accessible consiste à simplifier la création de ces modèles d’apprentissage machine que l’on nomme réseaux neuronaux. » écrit ainsi Sundar Pichai, CEO de Google, dans un article de blog. 

Nous espérons qu’AutoML permettra de démocratiser une compétence qui pour l’heure demeure l’apanage de quelques doctorants »

« Aujourd’hui, concevoir des réseaux neuronaux demande beaucoup de temps, et requiert des compétences qui cantonnent leur usage à une petite communauté de scientifiques et d’ingénieurs. C’est pourquoi nous avons conçu une nouvelle approche, baptisée AutoML, qui montre que des réseaux de neurones peuvent concevoir d’autres réseaux de neurones. Nous espérons qu’AutoML permettra de démocratiser une compétence qui pour l’heure demeure l’apanage de quelques doctorants et donnera, d’ici trois à cinq ans, la possibilité à des centaines de milliers de développeurs de concevoir des réseaux neuronaux adaptés à leurs besoins particuliers. » .

LE metalearning pour automatiser l'apprentissage machine

The beautiful brain

C’est ce qu’on appelle le « metalearning », ou « apprendre à apprendre ». Faire fonctionner et optimiser ces réseaux de neurones implique une large quantité de travail fastidieux et répétitif. Les chercheurs sont ainsi souvent amenés à tester un grand nombre de combinaisons possibles, jusqu’à trouver celle qui fonctionne le mieux. Or, à mesure qu’ils s’efforcent de résoudre des problèmes plus difficiles, la complexité des réseaux de neurones s'accroît du même coup, nécessitant davantage de tâtonnement. « Google s’appuie aujourd’hui largement sur des algorithmes d’apprentissage machine, qui requièrent souvent beaucoup d’efforts pour fonctionner correctement. AutoML et le metalearning pourraient leur permettre d’automatiser ces processus, réduisant le besoin d’experts et permettant de déployer plus rapidement de nouveaux systèmes. » résume Roberto Calandra, chercheur au Berkeley Artificial Intelligence Research Laboratory.

 L’objectif est donc à la fois de rendre l’élite des programmeurs plus productive, en supprimant les composantes les plus chronophages et répétitives de son travail, pour lui permettre de s’attaquer à des problèmes toujours plus complexes, et de rendre les hautes sphères de l’apprentissage machine accessibles à un plus grand nombre d’ingénieurs informatiques. Google travaille également sur un autre projet, baptisé Adanet, lui aussi conçu pour assister les ingénieurs dans la création de réseaux neuronaux efficaces.

LE METALEARNING POUR AIDER LA RÉSOLUTION DE NOUVEAUX PROBLEMES

Deep learning

Shutterstock

Ces initiatives s’inscrivent dans la nouvelle stratégie de Google, qui veut faire de l’intelligence artificielle son cœur de métier. Le géant de la toile souhaite ainsi devenir leader dans ce domaine, mais également optimiser son fonctionnement à l’aide de cette technologie. Les chercheurs de Google Brain et de DeepMind, filiale londonienne de Google à l’origine du logiciel AlphaGo, ont déjà permis à l’entreprise de réduire les dépenses d’énergie de ses centres de données et de cartographier plus rapidement de nouvelles villes sur Google Street View, le tout grâce à l’intelligence artificielle. Des projets comme AutoML pourraient permettre à l’entreprise d’améliorer son efficacité sur tous les fronts. « Ces techniques peuvent être mises au service d’un grand nombre d’applications. Pour une entreprise comme Google, l’une des plus évidentes réside dans l’amélioration de ses outils de traduction. En dehors de Google, mon application favorite se trouve dans la robotique, où il y a aujourd’hui un grand besoin d’experts, et où AutoML et le metalearning peuvent largement aider à résoudre de nouveaux problèmes. » affirme Roberto Calandra.

Le Go, terrain de jeu idéal pour l’intelligence artificielle

Les nouvelles voies de la connaissance ?

brain

Le département d’intelligence artificielle de Google a aussi récemment fait les gros titres de la presse grâce aux dernières prouesses de son logiciel AlphaGo. Taillé pour battre les humains au jeu chinois millénaire, que l’on a longtemps cru trop complexe pour les machines, le logiciel a pris sa retraite en mai dernier après avoir vaincu Ke Jie, le meilleur joueur du monde, un peu plus d’un an après avoir défait Lee Sedol, autre grand joueur de Go. Mais si AlphaGo n’est plus sous les projecteurs, l’équipe derrière sa conception a continué à travailler dans l’ombre. Jusqu’à sortir, en octobre dernier, une nouvelle version du logiciel, encore plus puissante que la première, baptisée AlphaGo Zero. Cette nouvelle mouture est aussi étonnamment plus simple. AlphaGo était un monstre de technologie, contenant 48 processeurs d’intelligence artificielle. Il avait appris le jeu en étudiant des milliers de parties disputées par des humains. Le logiciel s’était ensuite entraîné en jouant contre lui-même, sous supervision humaine, jusqu’à atteindre un niveau suffisant pour vaincre les plus grands joueurs.

« En n’utilisant aucunes données humaines, ni d’ailleurs aucune expertise humaine d’aucune sorte, nous avons supprimé les contraintes liées à la connaissance humaine. »

Sa nouvelle incarnation, AlphaGo Zero, ne contient que quatre processeurs d’intelligence artificielle. Surtout, elle n’a été « nourrie » d’aucune partie préalablement disputée : les ingénieurs se sont contentés de lui apprendre les règles du jeu (très simples), après quoi le logiciel s’est perfectionné uniquement en disputant inlassablement un grand nombre de parties contre lui-même, tâtonnant et s’améliorant au fur et à mesure. Après seulement trois jours (et 4,9 millions de parties disputées contre lui-même), AlphaGo Zero s’est montré capable de battre la version d’AlphaGo qui avait vaincu Lee Sedol en mars 2016 (il avait fallu à cette dernière 30 millions de parties disputées pour arriver à ce niveau). Au bout de quarante jours, AlphaGo Zero est également parvenu à battre AlphaGo Master, la version précédente la plus puissante d’AlphaGo, qui avait battu Ke Jie. « En n’utilisant aucunes données humaines, ni d’ailleurs aucune expertise humaine d’aucune sorte, nous avons supprimé les contraintes liées à la connaissance humaine. » a affirmé David Silver, l’un des programmeurs derrière AlphaGo Zero, lors d’une conférence de presse.

Le jeu de go, terrain d'experimentation pour l'IA

Jeu de go

Shutterstock

« Ce qui a été accompli avec AlphaGo Zero est très impressionnant. » commente pour sa part Noam Brown, chercheur en informatique à la Carnegie Mellon University. « La version originale d’AlphaGo reposait largement sur la connaissance humaine. On se demandait donc s’il serait possible de généraliser cette performance à d’autres domaines, au-delà du go, où l’on ne possède pas des siècles de sagesse humaine accumulée. AlphaGo Zero opte pour une approche épurée et parvient à une performance encore meilleure, sans s’appuyer sur le savoir humain. Il prouve ainsi combien les ordinateurs peuvent être puissants en eux-mêmes, et suggère que cette technique pourrait être étendue bien au-delà du go, à d’autres jeux à information complète. C’est un pas considérable vers des intelligences artificielles plus générales. » développe-t-il.

L’idée souvent exprimée, selon laquelle l’entreprise possédant le plus de données remporterait forcément la course est à mon sens erronée. Un système conçu pour apprendre de lui-même n’a pas besoin de tant de données que cela.
Antoine Blondeau

Antoine Blondeau

AlphaGo Zero prouve que, contrairement à une idée souvent exprimée, données et puissance informatique ne font pas tout dans l’intelligence artificielle : de bons algorithmes peuvent également jouer un rôle clef. Prophétique, Antoine Blondeau affirmait ainsi lors de la dernière édition de Collision, à La Nouvelle-Orléans : « L’idée souvent exprimée, selon laquelle l’entreprise possédant le plus de données remporterait forcément la course est à mon sens erronée. Un système conçu pour apprendre de lui-même n’a pas besoin de tant de données que cela. » Antoine Blondeau est le PDG de Sentient Technologies, une entreprise spécialisée dans la création d’intelligences artificielles évolutives qui, comme AlphaGo Zero, sont capables d’apprendre et de s’améliorer toutes seules.

Avec des intelligences artificielles capables de rédiger des programmes simples d’une part, et d’apprendre toutes seules à partir d’une faible quantité de données d’autre part, nous entrevoyons ainsi la possibilité d’intelligences artificielles neutres, capables de résoudre n’importe quel type de problèmes. Selon Demis Hassabis, le fondateur de DeepMind, les prouesses d’AlphaGo ouvrent ainsi la voie à la création de machines intelligentes au service de la recherche scientifique. « Une partie de l’équipe d’AlphaGo se penche désormais sur d’autres projets, pour appliquer cette technologie à d’autres domaines. » a-t-il affirmé lors d’une conférence de presse. Selon lui, AlphaGo offre une excellente technologie pour naviguer parmi des jeux de données complexes. Elle pourrait être appliquée au-delà du go, à des domaines comme la recherche de médicaments, le repliement de protéines, la chimie quantique, la physique des particules, les biotechnologies ou encore les énergies vertes. Et grâce à des techniques comme AutoML, davantage de forces vives pourront se consacrer à ces questions. Dans un article de blog, Sundar Pichai affirme ainsi que ses ingénieurs appliquent actuellement leurs connaissances en apprentissage machine à des sujets aussi vastes que la détection du cancer du sein, la biologie moléculaire, le séquençage de l’ADN et la mise en relation des demandeurs d’emploi avec des entreprises en quête de main d’œuvre.

Rédigé par Guillaume Renouard