Apprendre à lire la carte du métro de Londres est un rite de passage pour tout nouveau Londonien, mais DeepMind - l'IA d'apprentissage en profondeur de Google qui s'intéresse aux soins de santé et jeux de cartes – a rejoint les rangs de ceux qui connaissent le moyen le plus rapide pour se rendre d'Acton Town à Wapping.
Cela peut ne pas sembler très impressionnant, mais la manière dont il a appris à lire la carte du métro est très intéressant pour l'avenir de l'intelligence artificielle, car il a utilisé le raisonnement et la mémoire de base pour conquérir le trajet. En d'autres termes, c'était plus humain que votre application de carte de tube moyenne.
Voir liés
"Je pense que cela peut être décrit comme un raisonnement rationnel", a déclaré Herbert Jaegar, un informaticien de l'Université de Brême.
dit Le gardien. "Elles [les tâches] impliquent de planifier et de structurer les informations en morceaux et de les recombiner." Combiner le deep learning avec une mémoire externe signifie que DeepMind pourrait prendre ce qu'il a appris du métro de Londres et l'appliquer à la navigation sur d'autres réseaux de transport similaires autour du monde.C'est différent des choses qui ont précédé. Comme Alex Graves, chercheur à DeepMind, dit Filaire: "Vous ne pouvez pas donner aux réseaux de neurones normaux une information et les laisser la conserver indéfiniment dans leur état interne - à à un moment donné, il sera écrasé et ils l'oublieront essentiellement. Ce réseau neuronal, cependant, pourrait garder la mémoire pour toujours.
La même stratégie a été utilisée pour deux autres tâches – qui, encore une fois, semblent insignifiantes pour les humains. DeepMind a reçu de simples extraits d'histoires, telles que «John est dans la cour de récréation. John a repris le football. À partir de là, on demandait à l'IA où se trouvait le ballon de football et elle fournissait la bonne réponse à ce genre d'énigmes 96 % du temps. Graves concède que même si ces énigmes "ont l'air si triviales pour un humain qu'elles ne ressemblent pas du tout à des questions", c'est la méthodologie qui est intéressante. Les ordinateurs traditionnels, dit-il, « s'en sortent vraiment mal ».
Dans une autre énigme, expliquée dans la vidéo ci-dessus, DeepMind a pu établir des relations familiales en lisant un arbre généalogique.
« Pris ensemble, nos résultats démontrent que [les ordinateurs neuronaux différentiables] ont la capacité de résoudre des problèmes complexes, tâches structurées inaccessibles aux réseaux de neurones sans mémoire externe en lecture-écriture », ont conclu les auteurs dans leur papier. "Comme un ordinateur conventionnel, il peut utiliser sa mémoire pour représenter et manipuler des structures de données complexes, mais, comme un réseau de neurones, il peut apprendre à le faire à partir des données."
