Les Humains Jouent À Des Jeux Contre Des Ordinateurs Et, Soit Dit En Passant, Ils Ont Inventé Le « Deep Learning »

Dès le 31 août 1956, le célèbre informaticien John McCarthy proposait le plan d’intelligence artificielle lors de la conférence de Dartmouth, allumant la flamme de la révolution de l’intelligence artificielle et marquant le début du développement de l’IA. Depuis lors, l’IA est progressivement passée des systèmes basés sur des règles aux systèmes basés sur l’apprentissage automatique, et maintenant aux systèmes basés sur l’apprentissage profond.

Il s’agit du premier système d’IA qui s’appuie sur des règles saisies par les humains pour fonctionner. C’est aussi son principal problème : il est trop dépendant des règles, difficile à adapter aux changements de règles et présente des limitations d’application majeures.

Pour résoudre ce problème, des méthodes d’apprentissage automatique ont émergé. Le système permet un apprentissage autonome grâce à une grande quantité de données historiques et d’informations humaines, et peut s’adapter à de simples changements de données ou de règles.

Cependant, le système dépend fortement de l’apport d’informations humaines, de sorte que la personne qui saisit les informations doit posséder certaines connaissances professionnelles et s’assurer que les informations sont exactes et complètes. Cependant, à mesure que le nombre de scénarios d’application augmente, il devient presque impossible de garantir que les informations sont exactes et complètes.

Afin de résoudre le problème de la dépendance excessive de l'apprentissage automatique à l'égard des informations humaines, l'apprentissage profond, également connu sous le nom d'« apprentissage représentationnel », est apparu.

Le système parvient à l’auto-apprentissage grâce à une grande quantité de données historiques, prédit divers résultats futurs possibles et formule des solutions correspondantes. Cela résout le problème de la dépendance excessive de l’apprentissage automatique à l’égard des informations humaines et du taux d’erreur élevé dans la saisie des informations humaines.

Pour comprendre la relation entre l’IA, l’apprentissage automatique et l’apprentissage profond, nous pouvons considérer l’apprentissage profond comme un sous-ensemble de l’apprentissage automatique, et l’apprentissage automatique comme un sous-ensemble de l’IA. Par conséquent, l’apprentissage profond est relativement important pour la construction de l’ensemble du système d’IA.

Alors, pourquoi l’apprentissage profond peut-il faire tout cela ?

La réponse est ce que nous appelons souvent un algorithme de réseau neuronal. Un réseau neuronal est constitué de nombreux points de connexion de traitement simples, similaires à l’organisation des neurones chez l’homme. Il se compose généralement des trois niveaux suivants :

Couche d'entrée :Saisie de données;

Couches cachées :Les nœuds de traitement associés à la couche d’entrée (un réseau neuronal comporte généralement plus de deux couches cachées) ;

Couche de sortie :Transformer les informations traitées en nœuds pouvant être générés en sortie.

Les réseaux neuronaux fonctionnent en reconnaissant des modèles allant du plus simple au plus complexe. Ils apprennent des fonctions simples de traitement de données dans la première couche du réseau, puis génèrent des nœuds selon les définitions pertinentes, qui sont ensuite introduits dans les couches suivantes du réseau et dérivent d'autres fonctionnalités plus complexes. L’ensemble du processus se poursuit jusqu’à ce qu’il soit finalement produit.

En 1943, le neuroscientifique américain Warren McCulloch a proposé un modèle de calcul de réseau neuronal basé sur les mathématiques et un algorithme de logique de seuil, qui est devenu la base théorique des systèmes d'apprentissage profond.

Cependant, la recherche a été lente à se développer en raison d’un manque de données suffisantes pour former des réseaux neuronaux profonds et d’une puissance de calcul insuffisante pour les former. Ce n’est qu’en 1980 que Kunihiko Fukushima a proposé un cadre d’apprentissage profond basé sur des réseaux de neurones artificiels.

De nos jours, en s’appuyant sur le big data et le cloud computing, l’apprentissage profond s’est développé rapidement. Depuis 2000, la puissance de calcul des ordinateurs a été multipliée par 10 000, les coûts de stockage des données ont diminué d'environ 3 000 fois, et l'essor d'Internet, la popularité croissante des smartphones et l'émergence des médias sociaux ont généré une grande quantité de données que les réseaux neuronaux peuvent utiliser.

Bien sûr, il est impossible qu'il joue au Go avec vous tout le temps, alors quelle est la différence entre l'IA et Hikaru no Go ? (faux)

En termes d’applications pratiques, l’apprentissage profond peut faire des choses que seuls les humains pouvaient faire auparavant. Par exemple, les humains sont doués pour identifier des objets spécifiques à travers des images et pour comprendre les langues et les cultures de différents pays grâce à la traduction. Désormais, l’apprentissage profond peut faire la même chose.

De plus, l’apprentissage profond fonctionne également bien dans la vision par ordinateur et le traitement du langage naturel. Bien entendu, il ne s’agit là que des domaines d’application les plus courants de l’apprentissage profond. À l'avenir, il y aura davantage de possibilités d'apprentissage en profondeur, comme par exemple fournir à chacun ici un majordome comme Jarvis dans « Iron Man ».