Intelligence artificielle

jeune chouette des bois vs algorithmes d’apprentissage polyvalents

jeune chouette des bois vs algorithmes d’apprentissage polyvalents


par Steven Marks

Extrait de code pour réseau neuronal convolutionnel et chouette effraie ¹

La manière dont les cerveaux des animaux apprennent et comment l’évolution a été choisie pour les circuits cérébraux qui permettent cet apprentissage devrait fortement éclairer les futures recherches sur l’intelligence artificielle (AI), selon Anthony M. Zador, M.D., Ph.D. Cependant, à l'heure actuelle, il semble que les chercheurs en intelligence artificielle choisissent plutôt de se concentrer sur le développement d'algorithmes d'apprentissage plus puissants. Cela aboutira probablement à des développements étonnants (et inquiétants), comme l'ont déjà démontré les réseaux de neurones artificiels (diagnostics médicaux, reconnaissance de formes, cybersécurité, etc.) dans de nombreux autres domaines. Cependant, Zador affirme dans un article récent: «Une critique de l’apprentissage pur et de ce que les réseaux de neurones artificiels peuvent apprendre des cerveaux d’animaux» dans Nature Communications, ce n'est peut-être pas la voie la plus fructueuse si AI veut atteindre un niveau d'intelligence lui permettant de percevoir et de naviguer dans un environnement aussi rapidement et avec la même compétence qu'un enfant de quatre ans ou une chouette effraie. En outre, écrit Zador, neuroscientifique et professeur au Cold Spring Harbor Laboratory, nous apprenons à percevoir et à naviguer si bien, non pas à cause de certains algorithmes d’apprentissage puissants mais encore inconnus, mais parce que les cerveaux des animaux (et les nôtres) sont spécifiquement structurés de manière rapide. apprendre les comportements et modéliser le monde d'une manière qu'un ANN doit encore accomplir.

Par exemple, au bout de quelques mois, un jeune hibou commence à voler et à attraper une proie. En moins d’un an, le jeune hibou est capable de s’envoler silencieusement pour arracher une souris des champs. On pourrait dire que c'est instinctif. Mais c'est en quelque sorte le but. Une grande partie de ce que les animaux et les humains font dans le monde s'appuie sur ce qui est inné. Un demi-milliard d'années d'évolution des vertébrés ont choisi un circuit cérébral et une architecture garantissant l'apprentissage des comportements pour survivre. Ce n'est qu'au cours des 100 000 dernières années de l'évolution humaine que le néocortex humain est devenu capable de raisonner, une couche de calcul qui crée et interagit avec des cartes du monde et des cartes, dans notre esprit. Mais, comme le jeune hibou qui apprend à chasser, nous apprenons à raisonner car il existe un réseau de neurones, d'axones et de dendrites qui rend ce niveau d'apprentissage possible.

Structure de base de ANN ²

De chouettes et ANN

Les ANN, qui sont essentiellement synonymes d'IA aujourd'hui, imitent également ce cadre de neurones connectés. Il s’agit généralement d’une structure à trois couches qui utilise diverses boucles qui acheminent les données vers l’avant et vers l’arrière sous forme de valeurs pondérées afin de dériver une sortie. Bien que cette structure de base ait peu changé au cours des 30 dernières années, les ANN utilisant l’apprentissage supervisé sont «plus intelligents», principalement parce que les ordinateurs sont plus puissants et qu’il existe plus de données facilement disponibles pour former les ANN. En fait, la quantité de données de formation disponibles est directement liée à l’avènement de nombreuses données sur le Web. Zador note que, dans un cas particulier, un ANN nécessitait 10 paires de données «étiquetées» afin de le former pour catégoriser correctement les images. C’est une coïncidence, c’est tout, 10 millions d’images sur le nombre de secondes qu’il faut à un hibou naissant pour apprendre les comportements complexes nécessaires à la survie, puis à la reproduction.

Retournons vers la chouette effraie en train de traquer sa proie en silence. En plus d'utiliser ses yeux et ses oreilles pour détecter et suivre ses proies et ses entrées sensorielles et motrices afin de déclencher la mort, le jeune hibou écoute même le son émis par ses propres ailes pour ajuster son vol. En bref, il y a beaucoup d'informatique en cours et si l'apprentissage consiste à adapter le comportement à de nouvelles données dans l'environnement, il y a beaucoup d'apprentissage en cours, même si le traitement vise uniquement à renforcer le comportement inné. Bien sûr, le jeune hibou ne dispose pas de données «étiquetées» lui permettant d’apprendre. Dans Nature, il n'y a pas de balises disant: «Ceci est une souris. Observe et attaque. »Ou« Ceci est un campagnol. Observez et attaquez. »L'apprentissage supervisé ne peut à lui seul approcher l'intelligence d'un hibou. Il est clair que les chouettes effraie s'appuient sur autre chose que des données étiquetées.

Ainsi, comme le note Zador dans son article, les chercheurs en intelligence artificielle se sont tournés ces dernières années vers un apprentissage non supervisé afin de mieux rapprocher les apprentissages des animaux et des humains. Dans l'apprentissage non supervisé, les ANN utilisent des algorithmes pour trouver des régularités statistiques dans les données sans «indication explicite», c'est-à-dire sans paires étiquette-données. Les algorithmes non supervisés, ajoute-t-il, "pourraient potentiellement exploiter l'énorme quantité de données sensorielles brutes (non étiquetées) que nous recevons". Cependant, tous les modèles d'apprentissage se heurtent à une limite connue sous le nom de théorème de la gratuité. L’explication de ce théorème peut sembler dérisoire, mais l’essentiel ici est qu’il ne peut y avoir d’algorithme d’apprentissage véritablement généralisé, car il existe toujours des «restrictions implicites ou explicites» sur ce qu’il peut apprendre. Nurture seul ne peut pas expliquer l'intelligence. La nature semble avoir développé un type de mécanisme puissant permettant l'intelligence.

100% nature et 100% nourri

Pour être plus précis, il se peut que Nature et Nurture soient intimement liés, de sorte que la meilleure explication de l’émergence de l’intelligence réside dans l’interaction de l’évolution et du génome. Zador soutient que le comportement d’un animal «n’est pas le résultat d’algorithmes d’apprentissage intelligents - supervisés ou non supervisés - mais plutôt de programmes comportementaux déjà présents à la naissance». Du point de vue de l’évolution, les comportements innés sont avantageux. Zador utilise un exemple de deux espèces. À la naissance, l’espèce X a un taux de performance de 98%, c’est-à-dire qu’elle possède pratiquement tous les comportements nécessaires à la survie. L’espèce Y, en revanche, a un taux de 50% à la naissance et met un mois à apprendre pour atteindre 98%. Toutes choses étant égales par ailleurs, l'espèce X est plus susceptible de transmettre son ADN. Cela sonne bien, sauf que les «choses», l'environnement dans lequel X et Y existent, ne sont généralement pas égaux.

Dans son exemple, Zador nous demande d'imaginer un environnement qui change de manière significative même dans la vie d'un individu d'espèce X ou Y. Peut-être qu'une série de tempêtes épuise considérablement la source de nourriture, rendant plus difficile la recherche de nourriture. L’espèce X, qui dépend presque totalement du comportement naturel, risque de ne pas pouvoir s’adapter aussi rapidement que l’espèce Y, qui repose sur beaucoup plus d’apprentissage pour atteindre le taux de performance d’un individu mature. Ainsi, l’espèce Y a plus de chances de localiser les ressources rares, d’avoir des descendants et de transmettre son ADN. L’argument de Zador est qu’il existe une pression évolutive pour trouver le compromis idéal entre les «stratégies comportementales innées et apprises».

Sur l'optimisation de l'évolution et de l'apprentissage

En bref, l’évolution choisit un compromis optimal entre stratégies innées et apprises. La question est alors de savoir comment fonctionne ce compromis et comment la réponse à cette question peut-elle propulser la recherche sur l'IA. La réponse, dit Zador, est que les animaux ont deux processus d'optimisation pour l'apprentissage. Celui que nous connaissons le mieux est l’apprentissage qui résulte des expériences vécues par l’individu. Il agit comme une boucle intérieure. Selon M. Zador, la boucle externe est une évolution qui «peut, à l'instar de l'apprentissage, être considérée comme un mécanisme permettant d'extraire des régularités statistiques, bien que sur une échelle de temps beaucoup plus longue». Dans ce contexte, le processus d'apprentissage d'un RNA n'équivaut pas à la deux boucles impliquées dans l'apprentissage des animaux. Tout ce qu’une ANN apprend n’est qu’au travers de sa durée de recherche de régularités statistiques. Les ANN n'ont pas de boucle évolutive externe.

Les boucles de l'animal penché ³

De plus, cette boucle évolutive externe montre qu'une grande partie du comportement et de l'intelligence des animaux est encodée dans le génome par sélection naturelle. Les bébés, dit Zador, peuvent distinguer les visages peu après la naissance. Il compare «les circuits innés pour le traitement des visages» à un échafaudage. Sur cet échafaudage, un nourrisson construit des visages spécifiques à mesure qu’il apprend à traiter les lignes et les formes et leur arrangement distinct. Mais, cela pose la question de savoir si nous avons besoin d'un échafaudage différent pour chaque type d'apprentissage. Dans ce cas, nous aurions besoin d’un génome de plusieurs ordres de grandeur plus grand qu’il ne l’est actuellement. Au lieu de cela, les recherches indiquent que l’ensemble de règles de câblage du génome rend les modules répétitifs. Zador affirme qu’il est présumé que le cortex "consiste en de nombreuses copies d’un microcircuit" canonique "de base, qui sont connectées ensemble pour former le cortex complet". Il met en évidence les similitudes entre les cortex auditif et visuel.

Evolution des circuits du génome au cerveau, de la recherche sur l'IA

L'entrelacement de la nature et de l'éducation dans le cerveau fournit un échafaudage, ou connectivité, grâce auquel les animaux ont l'avantage d'apprendre rapidement les comportements nécessaires à la survie. Zador soutient que c'est sur cette synergie entre les mécanismes innés et l'apprentissage que les chercheurs en intelligence artificielle doivent concentrer leurs efforts. Les chercheurs, a-t-il ajouté, doivent reconnaître, à l'instar des neuroscientifiques, qu'une grande partie de l'intelligence animale est le résultat d'un cerveau conçu pour apprendre spécifiquement ce qui est nécessaire à la survie et non pas «d'un algorithme d'apprentissage polyvalent prêt à tout apprendre. "Cette prédisposition, dit Zador, est liée à la recherche dans des domaines tels que le méta-apprentissage, les biais inductifs et l'apprentissage par transfert. En d’autres termes, il s’intéresse à la façon dont nous apprenons à apprendre et aux hypothèses de méta-apprentissage qui donnent les meilleurs résultats lorsqu’un ANN est présenté avec des données sur lesquelles il n’a pas été formé. C’est comme une chouette effraie qui chasse la musaraigne quand elle n’a chassé que les souris et les campagnols. L’objectif pour la chouette effraie et l’ANN est de rendre l’apprentissage flexible pour pouvoir résoudre de nouveaux problèmes.

Depuis que l'évolution a agi sur le génome pour sélectionner des règles de câblage qui permettent le comportement d'apprentissage nécessaire à la survie, Zador suggère également «la technologie de câblage et l'architecture de réseau comme cible d'optimisation». La topologie et l'architecture constituent la base et l'échafaudage sur lesquels sont construits l'apprentissage. comportements pour la survie. En effet, l’une des avancées majeures de la recherche ANN a été la mise au point de réseaux de neurones à convolution (CNN) inspirés par «la structure des champs de réception visuelle» dans le cortex. Les CNN reproduisent cette structure dans laquelle les neurones corticaux individuels ne répondent qu'à une petite région ou à un alignement particulier perçu par l'œil. Ces champs de réception plus petits se chevauchent afin de construire l’ensemble du champ visuel. Les neurones artificiels d'un réseau CNN construisent un modèle de connectivité similaire. En d’autres termes, la connectivité (ou topologie et architecture) joue un rôle déterminant dans l’interprétation des données brutes de l’environnement.

BARseq a le potentiel de cartographier la structure sous-jacente et la formation de circuits neuronaux

Étant donné l'univers des «architectures de réseau possibles», les chercheurs en intelligence artificielle commencent tout juste à explorer les «architectures puissantes d'inspiration corticale» présentes dans le cerveau des animaux. Plusieurs tentatives sont en cours pour cartographier «les circuits sous-jacents au traitement neuronal». L’une concerne la microscopie électronique en série, l’autre est MAPseq (récemment mis à jour en BARseq), un outil développé par le laboratoire de Zador. Le but de toutes ces tentatives est de révéler «les détails du câblage cortical» afin de «fournir une base expérimentale aux ANN». Avec la mise à niveau à BARseq (anatomie codée à barres résolue par séquençage), le laboratoire peut maintenant identifier l'organisation spatiale de circuits neuronaux au niveau d'un seul neurone avec à la fois une spécificité de localisation et une vitesse d'analyse impossibles avec les méthodes plus traditionnelles telles que la microscopie électronique en série. Et c’est moins cher! Dans cette étude particulière, le laboratoire a cartographié les projections d’axones pour 3 579 neurones dans le cortex auditif d’une souris. En outre, BARseq a également montré des corrélations avec l'expression des gènes. Selon un article de l'auteur principal Xiaoyin Chen, «BARseq peut potentiellement révéler les principes d'organisation qui sous-tendent la structure et la formation des circuits neuronaux».

Structure et formation. La matière de l'évolution et du génome. Des millions d'années d'évolution nous ont grandement façonnés. Ce que nous sommes est, dans une large mesure, connecté. Et, plus important encore, nous avons connecté une puissante capacité d’apprentissage, d’extension et de préservation des fruits de notre intelligence. Le câblage, c'est nous. Le câblage est l’avenir de AI.

Crédits:

¹ "Effraie des clochers" par gainesp2003 est autorisé sous CC BY-NC 2.0

² “Artificial neural network.svg” de JokerXtreme est autorisé sous CC BY-SA 3.0

³ “Human Brain Symbol.svg” de Pendethan est sous licence CC BY-SA 3.0

Ia Xiaoyin Chen et al., «Cartographie à haut débit de la projection neuronale à longue portée à l'aide du séquençage in situ», Cellule, Volume 179, Numéro 317 octobre 2019.

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer