Réseaux de Neurones Artificiels (ANN) en Intelligence Artificielle

Les réseaux de neurones artificiels sont basés sur le fonctionnement de réseaux de neurones biologiques. Les neurones que nous avons tous dans notre cerveau sont constitués de dendrites, du soma et de l'axone. Les dendrites sont responsables de la capture des impulsions nerveuses émises par d'autres neurones. Ces impulsions sont traitées dans le soma et transmises par l'axone qui émet une impulsion nerveuse vers les neurones voisins.

Un réseau neuronal artificiel est un groupe interconnecté de nœuds similaire au vaste réseau de neurones dans un cerveau biologique. Chaque nœud circulaire représente un neurone artificiel et chaque flèche représente une connexion entre la sortie d'un neurone et l'entrée d'un autre.

Depuis les années 1940, les scientifiques ont essayé d'imiter ce comportement du cerveau afin de reproduire des compétences supérieures dans les systèmes informatiques. Le résultat a été des réseaux de neurones artificiels, appelés ARN ou ANN (en anglais) : ils font partie de l'intelligence artificielle et des systèmes intelligents.

Les réseaux de neurones existent depuis les années 50. Cependant, la faible puissance des équipements à cette époque et le manque d'algorithmes permettant aux réseaux d'apprendre efficacement les ont empêchés d'être utilisés. C'est plus tard, grâce à la création de l'algorithme de Backpropagation, à l'utilisation de GPU (Graphics Processing Unit) qui permettent de grandes optimisations pour ce type de calculs et au plus grand nombre de données disponibles pour la formation, que les réseaux de neurones ont refait surface. Et gagner en importance dans divers domaines. Grâce à ces améliorations, l'apparition du Deep Learning a été possible, qui repose sur l'utilisation de réseaux de neurones profonds, c'est-à-dire de réseaux formés d'un grand nombre de couches pour des tâches complexes.

Objectif des réseaux de neurones

L'objectif qui donne naissance aux réseaux de neurones artificiels est de construire un modèle capable de reproduire la méthode d'apprentissage du cerveau humain. Les cellules en charge de cet apprentissage sont les neurones interconnectés entre eux à travers des réseaux complexes. Les réseaux de neurones actuels contiennent généralement de quelques milliers à quelques millions d'unités neuronales.

L'objectif principal de ce modèle est d'apprendre en se modifiant automatiquement de manière à pouvoir effectuer des tâches complexes qui ne pourraient pas être effectuées au moyen de la programmation classique basée sur des règles. De cette manière, des fonctions qui ne pouvaient être exécutées que par des personnes au départ peuvent être automatisées.

Comment fonctionnent les réseaux de neurones

Le fonctionnement des réseaux est similaire à celui du cerveau humain. Les réseaux reçoivent une série de valeurs d'entrée et chacune de ces entrées atteint un nœud appelé neurone. Les neurones du réseau sont à leur tour regroupés en couches qui forment le réseau neuronal. Chacun des neurones du réseau a à son tour un poids, une valeur numérique, avec laquelle il modifie l'entrée reçue. Les nouvelles valeurs obtenues quittent les neurones et continuent leur chemin à travers le réseau.

De la même manière que notre cerveau est constitué de neurones interconnectés, un réseau de neurones artificiels est constitué de neurones artificiels connectés les uns aux autres et regroupés à différents niveaux que nous appelons couches.

Une couche est un ensemble de neurones dont les entrées proviennent d'une couche précédente – ou des données d'entrée dans le cas de la première couche – et dont les sorties sont l'entrée d'une couche ultérieure.

Les neurones de la première couche reçoivent en entrée les données réelles qui alimentent le réseau neuronal. C'est pourquoi la première couche est connue sous le nom de couche d'entrée. La sortie de la dernière couche est le résultat visible du réseau, la dernière couche est donc appelée couche de sortie. Les couches entre la couche d'entrée et la couche de sortie sont appelées couches cachées car nous ne connaissons pas à la fois les valeurs d'entrée et de sortie.

Dans le cas des neurones artificiels, la somme des entrées multipliée par leurs poids associés détermine “l'influx nerveux” que le neurone reçoit. Cette valeur est traitée à l'intérieur de la cellule au moyen d'une fonction d'activation qui renvoie une valeur envoyée en sortie du neurone.

Un réseau de neurones, par conséquent, est toujours composé d'une couche d'entrée, une couche de sortie – s'il n'y a qu'une seule couche dans le réseau de neurones, la couche d'entrée correspond à la couche de sortie – et elle peut contenir 0 ou plusieurs couches cachées. Le concept de Deep Learning est né de l'utilisation d'un grand nombre de couches cachées dans les réseaux.

Une fois la fin du réseau atteinte, une sortie est obtenue qui sera la prédiction calculée par le réseau. Plus le réseau a de couches et plus il est complexe, plus les fonctions qu'il peut exécuter seront également complexes.

L'apprentissage en profondeur de l'intelligence artificielle

L'apprentissage en profondeur est un domaine appartenant à l'intelligence artificielle dont l'objectif est l'étude et la construction de systèmes informatiques capables “d'apprendre” par l'expérience, légèrement inspirés de certains principes du fonctionnement du cerveau biologique.

Dans le contexte de l'intelligence artificielle, dire qu'une machine “apprend par elle-même” se réfère simplement à l'utilisation de techniques – par exemple, le deep learning – qui permettent au système de généraliser son fonctionnement à des cas inédits, et automatiquement, pas besoin de règles prédéfinies.

En général, ces systèmes doivent être formés à partir d'exemples connus, de la même manière qu'un jeune enfant apprend à reconnaître des objets ou des sons autour de lui (il montre un arbre et on lui dit "c'est un arbre" ; ou il entend le bruit d'un train et on lui dit "c'est un train").

Ce type d'apprentissage automatique est appelé “profond” car il a une structure hiérarchique qui extrait différents niveaux de détail des données en question. Par exemple, lors de la reconnaissance d'image, des bords sont extraits qui, lorsqu'ils sont combinés, permettent de détecter des contours, qui à leur tour permettent de reconnaître différentes parties de l'objet, pour finalement déterminer son identité.

Avant de pouvoir être utilisé, un système d'apprentissage en profondeur doit être “formé” à partir d'un grand nombre d'exemples connus – en principe, plus il y a d'exemples, mieux il fonctionnera –. Ensuite, on lui “apprend” des images de différentes voitures – différents modèles, couleurs, tailles, etc. – indiquant que ce sont tous des véhicules.

Avec ces exemples, le système d'apprentissage en profondeur ajuste ses paramètres internes de telle sorte que s'il est présenté avec une nouvelle image d'une voiture différente, le système est également capable de la reconnaître en tant que telle.

L'apprentissage en profondeur est présent de manière très large – et dans certains cas, inimaginable – dans notre vie quotidienne. Les prédicteurs de mots sur les téléphones mobiles, les assistants virtuels comme Apple Siri, la traduction de texte entre différentes langues et la reconnaissance automatique des objets et des personnes sur les photos sur les réseaux sociaux sont des exemples bien connus. D'autres domaines à fort potentiel d'utilisation de l'intelligence artificielle comprennent l'analyse de données génomiques complexes pour, par exemple, la détection de tumeurs cérébrales et le développement de traitements appropriés.

Entraînement des réseaux neuronaux – Backpropagation ou Rétropropagation

Pour qu'un réseau de neurones remplisse les fonctions souhaitées, il est nécessaire de le former. L'entraînement d'un réseau de neurones se fait en modifiant les poids de ses neurones pour qu'il parvienne à extraire les résultats souhaités. Pour cela, il s'agit d'introduire des données d'apprentissage dans le réseau, en fonction du résultat obtenu, les poids des neurones sont modifiés en fonction de l'erreur obtenue et en fonction de la contribution de chaque neurone audit résultat. Cette méthode est connue sous le nom de Backpropagation ou rétropropagation. Avec cette méthode, il est possible pour le réseau d'apprendre, de réaliser un modèle capable d'obtenir des résultats très réussis même avec des données très différentes de celles qui ont été utilisées lors de sa formation.

Bien que les applications des réseaux de neurones semblent très généreuses, elles font l'objet d'un entraînement intense afin de pouvoir être appliquées correctement. Autrement dit, il est nécessaire de partir d'un ensemble de données d'apprentissage suffisamment représentatif.

Par exemple, si nous voulons résoudre un problème de classification de textes par humeurs, nous devrons d'abord alimenter le réseau de neurones d'un ensemble de données avec du texte préalablement classé. Plus le réseau de neurones est complexe – plus le nombre de neurones est grand – plus la quantité de données d'entraînement nécessaires pour l'entraîner est grande.

Comme dans le cerveau humain, l'une des caractéristiques les plus importantes des réseaux de neurones est leur pouvoir “d'apprentissage”. Selon le type d'apprentissage, ces algorithmes sont classés en trois grands groupes : supervisé, non supervisé et renforcé.

Dans l'apprentissage supervisé, les données d'entrée sont “étiquetées” pour aider les algorithmes à évaluer correctement les données et à attribuer une valeur de sortie. C'est une méthode d'apprentissage largement utilisée pour les classifications et les régressions.

L'apprentissage non supervisé est basé sur le fait de ne pas étiqueter les données d'entrée et de laisser l'algorithme trouver des modèles de variantes et des corrélations. Il est utilisé lorsque nous voulons simplement découvrir ce qui se cache derrière les données que nous ne voyons pas, par exemple pour le profilage ou le “clustering” de clients.

L'apprentissage renforcé est basé sur des essais et des erreurs. Un exemple, pour l'expliquer de manière simple, serait un jeu vidéo. Rappelant le célèbre jeu mobile de serpent, le serpent a des mouvements limités qu'il peut effectuer (haut, bas, gauche et droite). Pour qu'il apprenne, à chaque fois qu'il entre en collision avec un mur ou avec lui-même, il est pénalisé, et chaque fois qu'il mange, il est récompensé. Au début, le serpent se déplacera de manière totalement aléatoire en se heurtant à lui-même ou avec le mur très fréquemment, après avoir joué à des millions de parties, on peut voir comment le serpent a appris à jouer et il lui faut très longtemps pour faire des erreurs.

Fonctions du réseau neuronal

La portée des fonctions des réseaux de neurones est très large, en raison de leur fonctionnement, ils sont capables d'approcher n'importe quelle fonction existante avec une formation suffisante. Les réseaux de neurones sont principalement utilisés pour les tâches de prédiction et de classification. Son champ d'action est large et très utile aujourd'hui.

Les ANN ont été appliqués à un nombre croissant de problèmes de la vie réelle et d'une complexité considérable, où leur plus grand avantage est de résoudre des problèmes assez complexes pour la technologie actuelle, de traiter des problèmes qui n'ont pas de solution algorithmique ou dont la solution algorithmique est trop complexe à trouver.

En général, comme ils sont similaires à ceux du cerveau humain, les ANN sont bien nommés car ils sont bons pour résoudre des problèmes que les humains peuvent résoudre mais pas les ordinateurs. Dans tous les cas, l'humain a la capacité de reconnaître des modèles, mais la capacité des réseaux neuronaux n'est pas affectée par la fatigue, les conditions de travail, l'état émotionnel et les compensations.

Premier réseau de neurones artificiels fonctionnant avec la lumière

Des scientifiques des universités de Münster (Allemagne), d'Oxford et d'Exeter (Royaume-Uni), dont l'article a été publié dans Nature en mai 2019, ont créé un réseau de neurones artificiels (ANN) qui fonctionne avec des impulsions lumineuses : il stocke et traite des informations de la même manière que le cerveau humain. Titre original : “All-optical spiking neurosynaptic networks with self-learning” (“Réseaux neurosynaptiques à pointage tout optique avec auto-apprentissage”).

Imitant le cerveau

Un neurone biologique peut recevoir environ 10.000 entrées et envoyer sa sortie à plusieurs centaines de neurones en même temps. Chaque cerveau humain contient cent mille milliards de neurones et cent milliards de synapses. Les neurones artificiels visent à se rapprocher le plus possible de cette capacité biologique pour augmenter l'efficacité des ordinateurs dans le traitement des données.

Ce qui a été réalisé jusqu'à présent, c'est la formation d'un réseau de neurones artificiels pour effectuer une tâche, telle que la reconnaissance d'un modèle dans la dynamique synaptique, et l'amener à utiliser ce modèle pour envoyer les informations à d'autres unités du réseau de neurones artificiels.

Les réseaux de neurones ont été utilisés jusqu'à présent pour résoudre certaines fonctions, comme la vision par ordinateur ou la reconnaissance vocale, mais ils n'ont pas pu développer leur plein potentiel en raison de l'architecture des ordinateurs.

En ayant un ordinateur et une mémoire séparés les uns des autres, les ordinateurs diffèrent considérablement du cerveau humain, qui traite et stocke les informations au même endroit – les synapses –. Par conséquent, il est difficile d'implémenter de nombreux neurones et synapses dans les ordinateurs pour effectuer des tâches plus complexes.

Synapses optiques

C'est la difficulté que la création de réseaux de neurones basés sur la lumière a résolue : elle encode les données en photons – les particules de lumière –, qui se déplacent à grande vitesse à travers les matériaux optiques sans générer beaucoup de chaleur. En outre, ils peuvent utiliser différentes couleurs pour envoyer simultanément de grandes quantités d'informations.

Étant basé sur la lumière et non sur les électrons, comme dans les réseaux de neurones traditionnels, ils peuvent traiter les données beaucoup plus rapidement et se rapprocher considérablement du fonctionnement du cerveau biologique.

Les chercheurs ont également pu vérifier que ce réseau est capable “d'apprendre” des informations et de les utiliser pour calculer et reconnaître des modèles, tout comme le cerveau le fait.

L'invention a résolu une difficulté technique non moins pertinente : les impulsions lumineuses ne communiquent pas entre elles, processus nécessaire pour émuler la synapse.

Cette difficulté pourrait être résolue en convertissant les signaux optiques en signaux électriques, de sorte que la synapse soit produite, puis en les reconvertissant en lumière pour les transmettre à une vitesse plus élevée.

Mais cette solution a été écartée car la conversion et la reconversion des signaux lumineux en signaux électriques augmentent la complexité du processus et la consommation d'énergie, tout en réduisant le flux d'informations.

Les auteurs de cette recherche sont donc allés plus loin : pour réaliser la synapse entre photons, ils ont fabriqué le réseau de neurones artificiels sur un matériau à changement de phase chauffé par une impulsion laser. Ce matériau de déphasage est déjà utilisé, par exemple, sur DVD-RW (enregistrable).

4 neurones, 60 synapses

Ces matériaux à changement de phase se caractérisent par le fait que leurs propriétés optiques changent radicalement, selon qu'ils sont cristallins, lorsque leurs atomes sont disposés de manière régulière, ou amorphes, lorsque leurs atomes sont disposés de manière irrégulière.

Ce déphasage peut être activé par la lumière si un laser chauffe le matériau. Lorsque ce matériau change de phase, il imite les synapses et reproduit la fonction cérébrale, sans qu'il soit nécessaire de convertir la lumière en électricité à tout moment.

À l'aide d'un matériau à changement de phase, l'équipe a construit une puce entièrement optique comprenant quatre neurones artificiels et 60 synapses. L'équipe a testé sa puce en utilisant deux algorithmes d'apprentissage ANN établis – apprentissage supervisé et non supervisé – pour entraîner leur réseau à reconnaître des images de pixels en noir et blanc sur une grille 3 × 5.

Ce système a permis de franchir une étape importante vers la création de matériel qui se comporte de la même manière que les neurones et les synapses du cerveau et qui peut également fonctionner sur des tâches du monde réel.

Identifier les cellules cancéreuses 

En travaillant avec des photons plutôt qu'avec des électrons, les chercheurs peuvent tirer pleinement parti du potentiel connu des technologies optiques, non seulement pour transférer des données, comme cela a été le cas jusqu'à présent, mais aussi pour les traiter et les stocker en un seul endroit.

Selon les chercheurs, un exemple très spécifique de cette technologie est que, avec l'aide de ce réseau, les cellules cancéreuses pourraient être identifiées automatiquement. Cependant, il reste encore du travail à faire avant que ces applications ne deviennent réalité.

Ils doivent augmenter le nombre de neurones et de synapses artificiels, ainsi que la profondeur des réseaux de neurones, pour réaliser des applications significatives. Ceci serait réalisé, par exemple, avec des puces optiques fabriquées avec la technologie du silicium.

Zone d'application

Identification des systèmes. Son objectif est d'obtenir le modèle mathématique linéaire ou non linéaire d'un système dynamique à partir de données expérimentales. Ce modèle doit reproduire avec une précision suffisante les caractéristiques dynamiques du procédé étudié.

Système. C'est toute réalité dans laquelle des variables de différents types interagissent pour produire des signaux observables.

Les signaux observables sont appelés : la sortie du système et les signaux qui peuvent être librement manipulés sont appelés : les entrées du système et celles qui entrent dans le système de manière aléatoire et ne peuvent pas être contrôlées sont appelées des perturbations.

Contrôle de processus. Le contrôle de processus tente de maintenir, au moyen d'un système automatique, les principales variables d'un processus à des valeurs proches de celles souhaitées malgré d'éventuelles perturbations.

Gestion des ressources naturelles. C'est l'activité de la société humaine visant à satisfaire ses besoins grâce à l'utilisation des ressources naturelles. La gestion de nature rationnelle est caractéristique de l'économie intensive, qui se développe sur la base du progrès scientifique et technologique et d'une bonne organisation du travail avec une productivité élevée.

Chimie quantique. C'est une science interdisciplinaire – Physique, Chimie, Informatique, Mathématiques Appliquées – qui étudie, à l'échelle atomique et subatomique, la connaissance des liaisons et des réactions chimiques entre atomes et molécules. Cet objectif est atteint grâce à l'utilisation des principes de la mécanique quantique.

La reconnaissance de formes. Identification des cibles radar. Simulation de centrales électriques. Détection d'explosifs. Reconnaissance faciale, classification des signaux, reconnaissance d'objets. Reconnaissance de séquence – geste, voix –. Reconnaissance de textes manuscrits. Reconnaissance de la parole.

Applications financières. Par exemple, les systèmes de trading automatisés – trading algorithmique –, l'exploration de données ou la découverte de connaissances dans des bases de données, “KDD”.

Algorithmes génétiques (GA). Un autre type spécial de réseaux de neurones artificiels a été appliqué en conjonction avec des algorithmes génétiques pour créer des contrôleurs pour les robots. La discipline qui traite de l'évolution des réseaux de neurones s'appelle la robotique évolutive.

Un algorithme est une série d'étapes organisées décrivant le processus à suivre pour résoudre un problème spécifique. Un algorithme génétique est une technique de programmation inspirée de la reproduction d'êtres vivants et qui imite l'évolution biologique comme stratégie pour résoudre des problèmes d'optimisation.

Traduction automatique neuronale. Il utilise une nouvelle génération de systèmes d'apprentissage automatique, appelés réseaux de neurones profonds, qui utilisent des représentations internes complexes pour apprendre à effectuer des tâches en extrayant des régularités à partir de données. Les données sont de grandes quantités de textes originaux et traduits, et la tâche à accomplir est de prédire la traduction à partir de la phrase originale. Ceci est traité et transformé en une représentation abstraite indépendante de la langue que le système a apprise pendant la formation. À partir de cette représentation, la phrase traduite est générée en tenant compte non seulement du contenu de l'original, mais également des régularités et des conventions d'utilisation de la langue cible.

Prévention du spam par e-mail (courrier indésirable). L'intelligence artificielle et l'apprentissage automatique ont simplifié la communication par e-mail. Au cours de la dernière décennie, les serveurs de messagerie ont mis en œuvre des algorithmes de détection de spam efficaces pour identifier et bloquer le spam.

Diagnostic médical. La médecine est l'un des domaines de la connaissance qui pourrait le plus bénéficier d'une interaction étroite avec l’informatique et les mathématiques, grâce à laquelle des processus complexes et imparfaits tels que le diagnostic différentiel seraient optimisés. C'est de cela que traite le machine learning, une branche de l'intelligence artificielle qui construit et étudie des systèmes capables d'apprendre à partir d'un ensemble de données d'entraînement et d'améliorer les processus de classification et de prédiction.

Jeux et prise de décision. Backgammon, échecs, poker.

Les réussites les plus connues

Recommandateur Youtube. Youtube est la plus grande entreprise au monde de partage, de création et de visualisation de contenu audiovisuel. Les recommandations YouTube sont chargées d'aider plus d'un milliard d'utilisateurs à découvrir du contenu personnalisé. L'un des plus grands défis auxquels ils ont dû faire face lors de la création de l'algorithme est la quantité de données téléchargées sur YouTube par seconde. Par conséquent, ce réseau de neurones doit avoir la capacité d'être sensible – réactif – à la fois au dernier contenu téléchargé sur la plate-forme et aux interactions de l'utilisateur avec elle.

Tarification dynamique Amazon. Amazon est le leader incontesté du e-commerce. Tout le monde sait qu'il utilise des prix dynamiques, selon une étude Amazon fait varier les prix plus de 2,5 millions de fois par jour. Le défi de ce réseau de neurones est que les prix à l'ère numérique doivent être fixés en temps réel en fonction de l'offre et de la demande d'un certain produit pendant une période limitée. Des entreprises comme Wallmart ou Uber utilisent ces algorithmes pour offrir des prix plus compétitifs à leurs clients.

Identifier les risques bancaires. HSBC est l'une des banques qui utilise les réseaux de neurones pour transformer la façon dont elles traitent les prêts et les hypothèques. Cette société utilise ce type d'algorithmes d'intelligence artificielle pour analyser le comportement d'anciens clients et ainsi pouvoir donner une estimation du risque pour un nouveau client lors de l'acquisition d'un crédit immobilier ou d'un prêt.

Personnaliser les stratégies marketing. Ces dernières années, plusieurs entreprises utilisent l'intelligence artificielle pour améliorer leurs stratégies marketing. Les réseaux de neurones sont des algorithmes capables de traiter une grande quantité de données telles que : les profils d'acheteurs, les modèles d'achat ou d'autres données spécifiques pour chaque entreprise. Ces types de caractéristiques en font les algorithmes parfaits pour analyser le marché et proposer une stratégie marketing personnalisée par client. Sephora ou Starbucks sont deux des entreprises qui utilisent ce type d'intelligence artificielle pour augmenter leurs profits.

*

*     *

Les réseaux de neurones sont des algorithmes capables de résoudre des problèmes très complexes de manière très précise. Il ne faut pas oublier que ces types d'algorithmes nécessitent une grande quantité de données d'apprentissage et un effort de calcul considérable lors de leur entraînement.

Les réseaux de neurones sont devenus une pièce maîtresse pour le développement de l'intelligence artificielle, c'est l'un des principaux domaines de recherche et celui qui évolue le plus au fil du temps, offrant des solutions de plus en plus complexes et efficaces.

Voir aussi…

Les réseaux de neurones

Bases neurologiques de l'intelligence humaine

Renforcer la connectivité du cerveau

Neurociences

Les Neurosciences des réseaux

Réseau neuronal par défaut

Renforcer les réseaux de neurones de la mémoire

Activité électrique des dendrites

Mécanisme de la plasticité cérébrale

Human Brain Project: Sommet final – Réalisations et avenir sur la recherche du cerveau numérique

Les signaux ou ondes cérébraux

Des Puces Inspirées par le Cerveau Humain

Le cerveau humain contient 100.000 millions de neurones qui, à leur tour, sont connectés les uns aux autres par plus d'un billion de connexions. Par ces connexions, les neurones transmettent des impulsions électriques entre d’autres neurones connectés au même réseau par des impulsions nerveuses.

Ce fonctionnement du cerveau, basé sur les connexions entre différents neurones, a été transféré au domaine de l'ingénierie à travers le paradigme des réseaux de neurones, un paradigme de l'intelligence artificielle qui traite de l'auto-apprentissage d'un système par l'application de certaines impulsions d’entrée.

Les meilleurs algorithmes d'intelligence artificielle disposent déjà d'un programme simulant le cerveau, appelé réseaux de neurones simulés, qui repose sur un traitement parallèle permettant de reconnaître des modèles dans les données, notamment des objets dans des images et des mots spécifiques dans des discours.

Loi de Moore

La loi de Moore stipule que le nombre de transistors dans un microprocesseur est doublé tous les deux ans environ. Il a été conçu par Gordon E. Moore, cofondateur d’Intel, en avril 1965.

Bien que la loi ait été formulée à l’origine pour établir que la duplication serait faite chaque année, Moore a ensuite redéfini sa loi et prolongé la période à deux ans.

Actuellement, cette loi s'applique aux ordinateurs personnels et aux téléphones cellulaires. Cependant, lors de sa formulation, il n’existait pas de microprocesseurs –inventés en 1971 – d’ordinateurs personnels popularisés dans les années 80 et la téléphonie cellulaire ou mobile en était seulement au stade expérimental.

En plus de prévoir l'augmentation de la complexité des puces (mesurée par les transistors contenus dans une puce informatique), la loi de Moore suggère également une réduction des coûts. Les microprocesseurs d'aujourd'hui sont partout, des jouets aux feux de circulation.

Ce qui a rendu possible cette explosion spectaculaire de la complexité du circuit, c’est la taille réduite des transistors pendant des décennies. Les caractéristiques des transistors mesurant moins d’un micron ont été atteintes au cours des années 1980, lorsque les puces DRAM (Dynamic Random Access Memory) ont commencé à offrir des capacités de stockage en mégaoctets.

À l'aube du XXIe siècle, ces caractéristiques avaient une largeur de 0,1 micron, ce qui permettait la fabrication de puces de mémoire giga-octets et de microprocesseurs fonctionnant à des fréquences de giga hertz. La loi de Moore s'est poursuivie au cours de la deuxième décennie du 21e siècle avec l'introduction de transistors tridimensionnels de plusieurs dizaines de nanomètres.

La loi de Moore n'est pas une loi au sens scientifique, mais plutôt une observation et a jeté les bases de grands progrès. Cette règle simple a guidé toutes les avancées de la révolution technologique pendant plus d'un demi-siècle et continue de définir les limites croissantes de la technologie actuelle, nous permettant de prendre des concepts tels que l'intelligence artificielle et les véhicules autonomes, et de les concrétiser.

Parce que la loi de Moore suggère une croissance exponentielle, il est peu probable qu'elle continue indéfiniment. Certaines études ont montré que des limitations physiques pourraient être atteintes en 2018.

Apprentissage en profondeur

Ce type d'apprentissage automatique est à l'origine de la technologie "intelligente" et va des logiciels de reconnaissance vocale et d'image aux voitures autonomes. Les avancées obtenues dans les domaines de l'apprentissage en profondeur et de la robotique conduiront bientôt à la création d'une technologie de traitement des images médicales capable de créer des diagnostics fiables, des drones pilotés seuls ainsi que des machines et infrastructures de tous types soumis à une maintenance automatique.

Les principes mathématiques qui forment la base de l’apprentissage en profondeur sont relativement simples, mais combinés à d’énormes quantités de données d’apprentissage et de systèmes informatiques exécutant plusieurs opérations en parallèle, cette technique a permis de grandes avancées ces dernières années, notamment dans les domaines de la reconnaissance vocale et des images.

*

*    *

Les scientifiques construisent un simulateur de cerveau avec des processeurs ARM

Une équipe de scientifiques de l'Université de Manchester a commencé à travailler, en juillet 2011, sur un modèle de cerveau humain, basé sur le paradigme des réseaux de neurones, qui permet aux experts d'autres disciplines de mieux comprendre le fonctionnement du cerveau et servir de banc d’essai pour les travaux liés à l’intelligence artificielle.

À cette fin, ils ont construit un modèle à l'échelle (représentant 1% du cerveau) utilisant des processeurs ARM – qui agiraient comme des neurones – et qui se connecteraient les uns aux autres en imitant les connexions des neurones du cerveau et en formant ce qu'on appelle le Spiking Neural Network architecture ou SpiNNaker.

Ce modèle réduit est constitué d’un million de processeurs ARM, jouant le rôle de neurones, comme d’unités de traitement "simples", mais, là où réside réellement la puissance de ce système informatique, c’est précisément dans les connexions qui s’établissent entre ces neurones, où à chaque connexion est attribué un poids qui sert à amplifier l'excitation reçue de ladite connexion.

La plus grande complexité des réseaux de neurones réside dans les connexions, par conséquent, augmenter la capacité de traitement du neurone permet que ce modèle à échelle et réduit soit beaucoup plus puissant et, en outre, simplifie considérablement le nombre de connexions à mettre en place entre les millions de processeurs.

SpiNNaker vise à créer un modèle du système intelligent définitif, le cerveau humain. Ils ne savent pas comment le cerveau fonctionne en tant que système de traitement de l'information, quelque chose dont ils ont besoin de savoir. Ils espèrent que leur machine permettra une avancée significative vers la réalisation de cet objectif. En fin de compte, ce système pourrait être d'une grande aide pour les personnes qui ont présenté des problèmes de lecture après un accident vasculaire cérébral ou une lésion cérébrale. Dans le domaine de la psychologie, les réseaux de neurones ont déjà été utilisés pour reproduire des pathologies cliniques.

Il faut plus de 80.000 processeurs pour simuler 1 seconde d'activité du cerveau humain

L’Institut technologique de l'Université d'Okinawa et l'équipe allemande du centre Forschungs Jülich ont réalisé, en août 2013, un test simulant le fonctionnement du cerveau humain pendant une seconde. Ils avaient besoin d'un ordinateur d'une puissance incroyable, autant pour faire fonctionner 82.944 processeurs pendant 40 minutes, y compris l'ordinateur K, le quatrième super ordinateur le plus puissant au monde situé à Kobe (Japon).

Cette simulation a été rendue possible grâce au logiciel à code source ouvert NEST qui a permis la création d’un réseau de neurones artificiels de 1.730 millions de cellules connectées par 10.400 millions de synapses. Ces réseaux, bien qu’ils puissent sembler impressionnants, ne représentent qu’une fraction des neurones contenus dans un cerveau humain, où l'on estime qu'il existe entre 80 et 100 milliards de cellules nerveuses, soit autant que toutes les étoiles de la Voie Lactée.

Ceci explique l'impossibilité de simuler le fonctionnement du cerveau humain en temps réel et la nécessité de ces 40 minutes de traitement par 82.944 processeurs, qui avaient besoin d'un péta-octet de mémoire pour modéliser chaque synapse individuellement.

Un circuit basé sur le cerveau est 9.000 fois plus rapide qu'un PC – Neurogrid

Des bio-ingénieurs de l'Université de Stanford ont conçu un ensemble de processeurs en avril 2014, dont l'architecture s'inspire de celle du cerveau humain. Neurogrid est environ 9.000 fois plus rapide qu'un PC conventionnel et beaucoup plus efficace du point de vue énergétique.

Ce n'est pas la première fois que des scientifiques tentent de recréer le fonctionnement du cerveau humain au moyen de composants électroniques. Même le cerveau d'une simple souris est doté d'une capacité de traitement supérieure à celle des ordinateurs que nous gérons au quotidien.

Dans le cas de cette nouvelle puce, l’équipe de Stanford a conçu une carte mère dotée de 16 neuro-puces spécialement conçues, capable d’émuler un million de neurones et des milliards de connexions synaptiques. Le système est 100.000 fois plus efficace du point de vue de la consommation d'énergie qu'un ordinateur exécutant une simulation d'un million de neurones basée sur un logiciel.

L'ensemble est très difficile à programmer. Il est nécessaire de connaître le fonctionnement du cerveau pour pouvoir programmer le dispositif. Le prochain objectif est précisément de créer un neuro-compilateur qui permette au programmeur de travailler avec un code plus conventionnel sans avoir à connaître les synapses et les neurones.

L'architecture qui simule le cerveau de Neurogrid n'est pas occasionnelle. Son premier objectif est de devenir le contrôleur d'une nouvelle génération d'implants robotiques pour les personnes souffrant de paralysie. À l'avenir, cependant, il pourrait être utilisé pour des applications plus conventionnelles.

Chacun des 16 noyaux simulant 65.536 neurones a été fabriqué de manière quasi artisanale et avec des méthodes de production datant de 15 ans. L'application des techniques actuelles de production de processeurs permettrait de réduire d'environ 100 fois les coûts de production.

TrueNorth – Un processeur IBM simule un réseau d'un million de neurones

La nouvelle puce IBM créée en août 2014 va encore plus loin dans l'objectif de créer un processeur capable de simuler le fonctionnement du cerveau humain. Elle a la taille d'un timbre-poste, mais à l'intérieur se cache l'équivalent d'un million de neurones avec 256 millions de connexions synaptiques programmables. TrueNorth est un saut quantitatif impressionnant par rapport à la première version, d’un seul noyau neuro-synaptique, ce projet a été passé à 4.096 noyaux.

Malgré tout, les chiffres sont risibles comparés à ceux d'un cerveau humain. Seulement dans le cortex cérébral, nous avons entre 15.000 et 33.000 millions de neurones. Chaque millimètre cube de cortex cérébral contient environ 1 milliard de synapses.

Au début de 2014, IBM a testé sa puce sur un nouvel ordinateur appelé NS16e, qui suit le modèle du cerveau et permet de vérifier comment l'équipement pourrait être utilisé pour la reconnaissance de la parole et des modèles grâce au réseau neuronal d'unités de traitement. La puce pourrait identifier et reconnaître les motifs des images générées par près d’une centaine de caméras à 24 images par seconde à partir d’un téléphone portable sans avoir à recharger la batterie pendant plusieurs jours.

Le défi de l'informatique cognitive est encore loin, mais cela n'enlève rien au mérite de TrueNorth et démontre en fait la puissance de cette architecture pour l'avenir. Il sera particulièrement utile pour développer des dispositifs dans lesquels un fonctionnement similaire à celui du cerveau humain est important. TrueNorth peut être le cerveau de toute une future génération de dispositifs utilisables, d’appareils mobiles ou d’implants robotiques.

Intel parvient à intégrer un réseau neuronal sur une puce de silicium

La société a présenté une puce neuro-morphique, en janvier 2018, qui simule le fonctionnement du cerveau humain en utilisant une puissance de calcul inférieure à celle requise pour démarrer un ordinateur.

La puce est capable d'apprendre à reconnaître des objets dans des images capturées par une webcam. Ce fait n'a rien de spécial, sauf qu'il utilise environ un millième de la puissance nécessaire à un processeur conventionnel.

Le dispositif, appelé Loihi, mis à l'essai au Consumer Electronics Show (CES) de Las Vegas, simule de manière simplifiée le fonctionnement des neurones et des synapses du cerveau.

Les puces neuro-morphiques enregistrent le fonctionnement des réseaux de neurones dans le silicium. Ce sont des processeurs moins flexibles et puissants que ceux destinés à d’autres utilisations, mais étant spécialisés dans cette tâche, ils sont plus efficaces en énergie et conviennent parfaitement aux appareils mobiles, aux véhicules et aux équipements industriels.

L’idée des puces neuro-morphiques existe depuis des décennies, mais jusqu’à présent, elle n’était pas préparée à trouver son créneau commercial. Dans l’ensemble du secteur des technologies, les progrès de l’intelligence artificielle ont inspiré de nouvelles recherches sur le hardware visant à utiliser plus efficacement les algorithmes d’apprentissage automatique. Le plus grand défi des puces neuro-morphiques dans le passé était de les transformer à plus grande échelle.

Cette puce fait partie de la tentative d'Intel de se réinventer. La société ne peut plus compter sur des processeurs de plus en plus rapides alors que la Loi de Moore a heurté en plein avec la Loi de la physique.

Au cours du CES, la société a également annoncé la construction d’une nouvelle puce d’informatique quantique, qui exploite les règles étranges et merveilleuses de la physique quantique pour effectuer certains types de calculs avec une rapidité incroyable. Intel a seulement révélé qu'elle s'appelait Tangle Lake et qu'elle contient 49 qubits, sans toutefois indiquer sa fiabilité ou sa stabilité. Malgré ces avancées, on ne sait toujours pas comment ces processeurs quantiques pourraient être utilisés, au-delà de certaines applications telles que le déchiffrement des codes et la modélisation automatisée. Le qubit est l'analogue quantique du bit en informatique.

IBM annonce un ordinateur quantique de 50 qubits mais ne dit pas comment cela fonctionne

IBM a annoncé en novembre 2017 un ordinateur quantique capable de gérer 50 bits quantiques, ou qubits. La société travaille également sur un système de 20 qubits qu'elle proposera via sa plate-forme de cloud computing. Le système serait le plus avancé du genre, mais la société n’a publié aucun détail sur son fonctionnement.

Grâce à la capacité de ces machines à tirer parti de la nature et des propriétés exotiques de la physique quantique, elles sont en mesure de traiter les informations de manière totalement différente de celle des ordinateurs traditionnels.

Mais l'annonce ne signifie pas que l'informatique quantique est prête à être utilisée massivement. Le nouveau système IBM reste extrêmement délicat et son utilisation constitue un défi. Dans les ordinateurs quantiques de 50 et 20 qubits, l’état quantique n’est maintenu que pendant 90 microsecondes. Bien que ce chiffre soit un record pour l’industrie, c’est très peu de temps pour faire quelque chose d’utile.

Même dans ce cas, la combinaison des 50 qubits est une étape importante dans le chemin vers les ordinateurs quantiques pratiques. Une machine de 50 qubits peut faire des choses extrêmement difficiles à simuler sans technologie quantique.

Alors que les ordinateurs traditionnels stockent des informations sous forme de 1 et de zéro, les ordinateurs quantiques exploitent deux phénomènes quantiques pour traiter les informations différemment : l'intrication et le chevauchement.

Récemment, l’équipe IBM a suggéré que des astuces mathématiques ingénieuses permettent de simuler des systèmes quantiques dépassant 50 qubits. Cela voudrait dire que la suprématie quantique est une cible mouvante, du moins pour le moment. Mais cela ne change pas le fait que les ordinateurs quantiques se rapprochent chaque jour pour être prêts à atteindre le grand public.

Les qubits supraconducteurs de Google pourraient être sur le point d'atteindre la suprématie quantique

Des chercheurs de l'Université de Californie à Santa Barbara, Charles Neill et de Google, Pedram Roushan, affirment qu'ils savent comment atteindre la suprématie quantique et ont démontré avec succès pour la première fois une validation de principe de la machine. Leur travail soulève la possibilité qu'il ne reste que quelques mois pour la première démonstration de la suprématie quantique.

La nouvelle recherche de Google (octobre 2017) démontre un système stable de neuf qubits avec une superposition quantique supraconductrice dont les erreurs n'augmentent pas de manière exponentielle. S'ils parviennent à grimper à 49 qubits, ils auront atteint la suprématie de l'ordinateur quantique.

La grande promesse de l'informatique quantique réside dans la possibilité d'effectuer des calculs d'une complexité telle qu'elle ne peut être assumée par les ordinateurs classiques. Les physiciens savent depuis quelque temps qu'un ordinateur quantique de seulement 50 qubits pourrait vaincre même les plus puissants super ordinateurs du monde.

Mais dépasser les limites de l'informatique conventionnelle et atteindre la suprématie quantique, comme l'appellent les physiciens, est plus difficile que prévu. Les états quantiques sont très délicats : un éternuement et ils disparaissent. Pour cette raison, les physiciens sont embourbés par les difficultés pratiques d’isoler les ordinateurs quantiques et leurs machines de traitement du monde extérieur.

Mais il peut exister une autre façon de démontrer la suprématie quantique qui n'exige pas qu'un ordinateur quantique général exécute plusieurs algorithmes quantiques. Au lieu de cela, les physiciens ont commencé à jouer avec des systèmes quantiques centrés sur une tâche unique. S’ils peuvent prouver que cette tâche dépasse la capacité de n'importe quel ordinateur conventionnel, ils auront alors démontré la suprématie quantique pour la première fois. Ce qui n'est pas clair, c'est comment le faire.

Le grand avantage des qubits par rapport aux bits ordinaires est qu’ils peuvent exister dans une superposition d’états. Ainsi, alors qu'un bit ordinaire peut être un 1 ou un 0, un qubit peut être un 1 et un 0 en même temps. Cela signifie que deux qubits peuvent représenter quatre nombres en même temps, trois qubits peuvent représenter huit nombres et, neuf qubits, 512 nombres simultanément. En d'autres termes, leur capacité augmente de manière exponentielle.

C'est pourquoi on n’a pas besoin de beaucoup de qubits pour vaincre les ordinateurs classiques. Avec seulement 50 qubits, 10.000.000.000.000.000 nombres peuvent être représentés. Un ordinateur classique aurait besoin de l'ordre d'un péta-octet de mémoire pour stocker ce nombre.

Donc, un moyen d’atteindre la suprématie quantique est de créer un système pouvant supporter 49 qubits dans une superposition d’états. Ce système n'a pas besoin d'effectuer de calculs complexes, il doit seulement être capable d'explorer de manière fiable tout l'espace d'une superposition de 49 qubits.

Les qubits sont des objets quantiques pouvant exister dans deux états à la fois, et il y a plusieurs façons de les faire. Par exemple : les photons peuvent être polarisés à la fois verticalement et horizontalement ; les noyaux atomiques peuvent tourner avec leur axe en même temps ; les électrons peuvent voyager en même temps sur deux trajectoires. Les physiciens expérimentent tous ces systèmes pour l'informatique quantique.

Neill et Roushan ont choisi un autre itinéraire. Leur système quantique est basé sur un qubit supraconducteur. Il s’agit essentiellement d’une boucle métallique refroidie à basse température. Si un courant circulant dans cette boucle est établi, il circulera pour toujours ; un phénomène quantique appelé supra conductivité.

Cette nature quantique permet une petite astuce : le courant peut circuler dans une direction et dans l’autre en même temps. Et c’est ce qui lui permet d’agir comme un qubit pouvant à la fois représenter un 0 et un 1.

Le grand avantage des qubits supraconducteurs est qu'ils sont relativement faciles à contrôler et à mesurer. Ils peuvent également être liés si plusieurs boucles sont placées côte à côte sur une puce. Cette liaison entre voisins est plus difficile et nécessite une autre astuce. Le courant dans une direction ou une autre n’est qu’une configuration à faible consommation d’énergie. Mais il est possible d'ajouter plus d'énergie et d'autres états. Ce sont ces états d'énergie plus élevés qui peuvent interagir les uns avec les autres, créant ainsi des superpositions plus grandes. De cette manière, les boucles voisines peuvent partager un état beaucoup plus complexe.

L’expérience de validation de principe réalisée par Neill, Roushan et leurs collaborateurs consiste à fabriquer une puce à neuf boucles voisines et à montrer que les qubits supraconducteurs qu’ils supportent peuvent représenter 512 nombres simultanément. Ce n'est pas tout à fait le nombre de qubits nécessaires à la suprématie quantique, mais l'expérience semble suggérer que ce sera possible.

La grande peur des physiciens est que ce ne soient pas seulement les nombres mais aussi les erreurs qui augmentent de façon exponentielle dans ces systèmes quantiques. Si les erreurs augmentent trop rapidement, elles inonderont le système, rendant la suprématie quantique impossible. Le résultat clé de cette expérience est de montrer que les erreurs ne s’échelonnent pas rapidement dans ces puces supraconductrices. Les recherches montrent plutôt que les erreurs augmentent lentement, de manière à permettre un chevauchement important allant jusqu'à 60 qubits.

C'est un travail intéressant. Il est clairement suggéré que la suprématie quantique devrait être possible avec une puce comportant 50 boucles supraconductrices au lieu de neuf. Une puce de 50 qubits ne sera possible que si les erreurs continuent à augmenter comme le montre la recherche. Et cela soulève une question importante. L'équipe indique que les erreurs augmentent lorsque le nombre de qubits passe de cinq à neuf. Mais les erreurs seront-elles redimensionnées de la même manière si les qubits passent de neuf à 50 ?

S'ils ne le font pas, la suprématie quantique est encore loin. Mais s’ils y parviennent, cette équipe espère proclamer la suprématie quantique dans les mois à venir. Donc, Neill, Roushan et leur équipe vont travailler dur pour répondre à cette question.

*    *

*

L'intelligence artificielle doit expliquer son fonctionnement

Aussi bonnes que soient les prédictions d'un apprentissage en profondeur, personne ne sait comment il parvient à ses conclusions. Ce fait commence à générer un problème de confiance et les outils pour le résoudre n’aident pas beaucoup. Mais peut-être est-ce la nature de l'intelligence elle-même.

La technologie d'intelligence artificielle connue sous le nom d'apprentissage en profondeur a très bien réussi à résoudre les problèmes ces dernières années et elle est de plus en plus utilisée pour des tâches telles que la génération de sous-titres, la reconnaissance de la voix et la traduction de langues. Ces mêmes techniques pourraient devenir capables de diagnostiquer des maladies mortelles, de prendre des décisions boursières de plusieurs millions de dollars et de transformer des industries entières.

Mais cela ne se produira (ou ne devrait pas) à moins que des techniques telles que l'apprentissage en profondeur soient plus compréhensibles pour leurs créateurs et responsables vis-à-vis des utilisateurs. Sinon, il sera difficile de prédire quand des défaillances pourraient se produire, lesquelles sont inévitables.

Il existe déjà des arguments selon lesquels la capacité d'interroger un système d'intelligence artificielle sur la manière dont il est parvenu à ses conclusions constitue un droit juridique fondamental. À compter de l'été 2018, l'Union européenne pourrait obliger les entreprises à donner à leurs utilisateurs une réponse aux décisions prises par les systèmes automatisés. Cela peut s'avérer impossible, même pour des systèmes apparemment simples, tels que des applications et des pages Web qui utilisent l'apprentissage en profondeur pour afficher des annonces et recommander des chansons. Les ordinateurs qui exploitent ces services se sont auto programmés et nous ne savons même pas comment. Même les ingénieurs qui développent ces applications ne sont pas en mesure d’expliquer leur comportement.

L'intelligence artificielle n'a pas toujours été comme ça. Depuis le début, il y a eu deux courants de pensée sur ce qui devrait être compréhensible ou explicable. Beaucoup pensaient qu'il était logique de développer des machines qui raisonnent selon des règles et une logique, ce qui rendrait transparent son fonctionnement interne pour quiconque souhaitait examiner le code. D'autres ont estimé que l'intelligence progresserait davantage si les machines étaient inspirées de la biologie et apprises par l'observation et l'expérience. Cela impliquait d'inverser la programmation informatique. Au lieu d’un programmeur écrivant les commandes pour résoudre un problème, le programme génère son propre algorithme en fonction des données exemple et du résultat souhaité. Les techniques d’apprentissage automatique qui ont évolué pour devenir les systèmes d’intelligence artificielle les plus puissants aujourd’hui ont suivi la deuxième voie : la machine est en fait auto programmée.

Au début, cette approche n’avait pas beaucoup d’applications et, dans les années 60 et 70, elle occupait toujours la périphérie du terrain. Ensuite, l’informatisation de nombreuses industries et l’arrivée du big data ont suscité un regain d’intérêt. Cela a inspiré le développement de techniques d’apprentissage automatique plus puissantes, en particulier de nouvelles versions d’une technique appelée réseau neuronal artificiel. À la fin des années 90, les réseaux de neurones pouvaient numériser automatiquement les caractères manuscrits.

Mais ce n’est que jusqu’au début de cette décennie, après plusieurs ajustements et raffinements ingénieux, que de très grands réseaux neuronaux, ou "profonds", ont commencé à offrir des améliorations drastiques de la perception automatisée. L'apprentissage en profondeur est responsable de l'explosion actuelle de l'IA. Il a doté les ordinateurs de pouvoirs extraordinaires, tels que la capacité de reconnaître les mots parlés presque aussi bien que toute personne, quelque chose de trop complexe pour être codé à la main. L'apprentissage en profondeur a transformé la vision des machines et considérablement amélioré la traduction automatisée. Il contribue déjà à prendre toutes sortes de décisions clés dans les domaines de la médecine, des finances, de la fabrication et bien plus encore.

Le fonctionnement de toute technologie d’apprentissage automatique est intrinsèquement plus opaque qu’un système codé à la main, même pour les informaticiens. Cela ne signifie pas que toutes les futures techniques d'IA seront également impossibles à comprendre. Mais, par nature, l'apprentissage en profondeur est une boîte noire particulièrement sombre.

Il est tout simplement impossible d'entrer dans les profondeurs d'un réseau neuronal profond pour voir comment cela fonctionne. Son raisonnement est enraciné dans le comportement de milliers de neurones simulés, disposés en dizaines voire en centaines de couches interconnectées de manière complexe. Les neurones de la première couche reçoivent des informations, telles que l'intensité d'un pixel dans une image, puis effectuent un calcul avant d'émettre un nouveau signal. Ces signaux alimentent les neurones de la couche suivante d'un réseau complexe, et ainsi de suite jusqu'à ce qu'ils génèrent un résultat final. En outre, il existe un processus connu sous le nom de propagation en arrière qui ajuste les calculs de neurones individuels afin que le réseau apprenne à produire le résultat souhaité.

Les multiples couches d'un réseau profond lui permettent de reconnaître des choses à différents niveaux d'abstraction. Dans un système conçu pour reconnaître les chiens, par exemple, les premières couches reconnaissent des éléments très fondamentaux tels que les contours et les couleurs ; les couches suivantes reconnaissent des choses plus complexes comme les cheveux ou les yeux ; et les couches supérieures complètent les objets, comme un chien. La même approche peut s’appliquer à d’autres domaines qui permettent aux machines de s’enseigner elles-mêmes : les sons qui composent les mots dans la parole, les lettres et les mots qui génèrent des phrases dans un texte ou les mouvements du volant nécessaires à la conduite.

Mais nous ne pouvons pas nous contenter d'une vision approximative du fonctionnement de l'intelligence artificielle, et il semble qu'il n'y ait pas de solutions faciles. L'interaction des calculs au sein d'un réseau neuronal profond est essentielle pour reconnaître des modèles et prendre des décisions complexes au plus haut niveau. Mais ces calculs sont un marais de fonctions et de variables mathématiques. Nous sommes encore loin d'avoir une IA réellement interprétable.

Connaître le raisonnement de l'IA sera également essentiel si la technologie aspire à faire partie de la vie quotidienne des gens.

De même que de nombreux aspects du comportement humain sont impossibles à expliquer en détail, l'intelligence artificielle peut ne pas être en mesure d'expliquer tout ce qu'elle fait.

Dans un tel cas, il pourrait arriver un moment où nous devrions décider de faire aveuglément confiance à l'IA ou d'en abandonner l'utilisation. De même, cette même décision devra intégrer l’intelligence sociale. Tout comme la société est construite sur une base de comportements acceptables, nous devrons concevoir des systèmes d’IA pour respecter et adapter nos normes sociales.

Source : MIT Technology Review

Voir aussi…

Le cerveau humain
Bases neurologiques de l'intelligence humaine

L'optogénétique – la nouvelle révolution de l'étude du cerveau

Notre cerveau est-il comparé à Internet et à un ordinateur ?

Découverte du GPS interne du cerveau
Nanotechnologie et cerveau

Première reconstruction et simulation numérique  d'un fragment du néocortex cérébral

Atlas détaillé du cerveau humain – dernières avancées

Dernières découvertes du cerveau humain

Cartographie du cerveau et reproduction technologique des caractéristiques du cerveau humain

L'origine de l'intelligence et le projet d'une cartographie du cerveau

Qu'est-ce que le neuromarketing ?

Neurosciences

Le cerveau anticipe l'avenir

Intelligence artificielle et sa relation avec le cerveau

Human Brain Project: Sommet final – Réalisations et avenir sur la recherche du cerveau numérique