L’apprentissage automatique est un essai de stimuler l’intelligence à travers de la formation d’algorithmes informatiques. L’histoire du développement de l’intelligence artificielle commença avec la machine de Turing. Il a été démontré qu’un simple appareil peut calculer tout ce qui est susceptible d’être calculé. Il y avait un problème : comment apprendre à l’appareil à calculer quelque chose qui serait utile pour une personne.
Dans les années 1960 – 1970, quand les sens des recherches se disputaient pour le financement, il y avait des essais de simuler de l’intelligence comme un raisonnement strictement logique et commença le développement intensif de programmer des paradigmes, les systèmes frame de Marvin Minsky (1975), la logique floue de Lotfi Zadeh (1965), le perceptron de Frank Rosenblatt.
Aujourd’hui, notre interlocuteur est Andrey Homich, le spécialiste de l’apprentissage automatique, l’ingénieur de logiciel. Sa spécialisation principale est le logiciel pour les systèmes informatiques et les systèmes décentralisés. Il a récemment travaillé sur : des problèmes de bases de données, la complexité de l’informatique, les méthodes numériques de l’optimisation, les statistiques appliquées et l’intelligence artificielle, la métaphysique et la philosophie.
Quels sont les résultats du développement de l’intelligence artificielle et de l’apprentissage automatique actuellement ?
Il y a deux sens de développement. Le premier correspond aux bases de la connaissance et des systèmes de notification en médecine et dans d’autre domaines limités. Il a été impossible de créer une intelligence artificielle solide, mais il y a certains effets secondaires utiles.
Le deuxième domaine correspond aux réseaux neuraux formels qui n’ont rien en commun avec les organismes d’apprentissage naturels. En effet, ils représentent les méthodes d’approche non-linéaire avec un type particulier de fonctions. Leur application est limitée et toujours uni avec d’autres technologies dans les tâches de reconnaissance d’échantillons. Il s’agit de la numérisation des textes, la détection de visages, la classification des objets.
Quelle est votre vision sur l’état actuel des événements dans le domaine de l’intelligence artificielle ?
Le développement des domaines des bases de la connaissance et des systèmes de production sont actuellement en pause. Le développement de la technologie de programmation est aussi en pause. Je crois que ma vision a une raison donnée, comme spécialiste de langages d’assemblages et C, jusqu’aux langages formels les plus modernes comme Java et Golang. La machine peut solutionner beaucoup plus de tâches, mais les personnes ne peuvent pas donner aux machines les algorithmes nécessaires.
Les dernières innovations considérables dans l’apprentissage automatique sont les réseaux convolutifs (Yann LeCun, 1988) et la formation cohérente qui fut appliquée pour la première fois dans les réseaux Kohonen (Teuvo Kohonen Kalevi, 1988). Il y a un blocage dans tous les domaines depuis les années 1990 du dernier siècle avec un résultat qui est très loin des objectifs déclarés initialement.
Avec des puissances informatiques plus économiques, une opportunité fut créée d’utiliser certaines méthodes d’optimisation exigeantes comme les algorithmes évolutifs, la méthode automatique de Boltzmann. En effet grâce à la « force brute » nous avons étendu quelque peu la portée de l’application des technologies de la deuxième moitié du siècle dernier. Tout le reste est seulement du marketing, l’art de la promotion de l’ancien en un nouvel emballage.
Dans le passé, nous avons développé ensemble des réseaux neuraux modulaires et des algorithmes génétiquement évolutifs. Quelle a été votre expérience plus approfondie de l’usage de la technologie de l’apprentissage automatique et de l’intelligence artificielle ?
En termes d’applications pratiques, il a s’agit principalement de cote de crédit pour les banques, optimisation des campagnes publicitaires, prévision des marchés financiers, analyse de données de texte. En particulier, la technologie des réseaux neuraux formels pour la classification des clients de la banque selon le risque de faillite. J’ai aussi appliqué la technologie dans la pratique pour la création de bases de données depuis des textes ordonnés partiellement.
Quelles sont vos idées sur le développement de l’apprentissage automatique et de l’intelligence artificielle ?
L’idée est de modeler des complexes de neurones. Par exemple, utiliser les hypothèses actives, comme les colonnes du néocortex dans le cerveau des animaux supérieurs y compris les humains comme le meilleur niveau de simulation d’intelligence. Ces complexes peuvent être présentés relativement comme des mini-bio-ordinateurs universels. Même s’ils ont peu de mémoire et des logiciels non-compliqués mais ils jouent le rôle d’apprendre les bio-machines de Turing. Le réseau de ces mini-ordinateurs élimine les limitations des nœuds de réseaux individuels.
« La neurone formelle » seulement permet de calculer la somme pondérée des signaux et de lui appliquer un transformateur non-linéaire simple. Contrairement à la « neurone formelle », nous pouvons nous permettre plus de fonctionnalité pour notre nouveau module informatique. Par exemple, nous pouvons créer une « chambre chinoise » intelligente.
Le philosophe John Searle présenta la notion de « chambre chinoise » en 1980. Il offrit l’expérience mentale conçue pour prouver l’incapacité de la machine de comprendre. En résumé, il s’agit d’une chambre avec deux fenêtres. Les textes chinois sont reçus dans une des fenêtres, et les textes de la chambre sortent par l’autre fenêtre. Dans la chambre il y a un homme, qui ne connaît pas la langue chinoise, mais qui a des instructions de comment remplacer certains caractères avec des autres, pour obtenir un nouveau texte qu’il fait sortir finalement. Avec les instructions correctes, il peut sembler aux observateurs extérieures que la personne à l’intérieur de la chambre a un dialogue significatif, mais en réalité, il ne fait que suivre les instructions automatiquement.
Le paradoxe est que nous observons la sortie du blocage de l’intelligence artificielle dans cette expérience. Le fait est que nous présentons l’intellect comme une propriété purement fonctionnelle de l’organisme. L’intellect, l’habilité d’apprendre et de réagir à des situations de formes différentes est nécessaire pour l’organisme pour l’intérêt de la prospérité dans sa population.
« Comprendre » n’est pas obligatoire pour cette tâche. Une personne doit trouver de la nourriture, éviter les dangers et se reproduire. La solution de ces défis est la création de l’environnement pour l’organisme, d’une fourmilière à un métropole humain et des bases spatiales. Dans le procès de l’évolution, la nature a découvert par hasard que l’intelligence est un outil utile pour un individu et indirectement pour sa population. Elle a créée l’intelligence à partir de ce qu’il y a avait à portée de main : les cellules, les combinaisons moléculaires, les réactions chimiques et les phénomènes physiques.
Par conséquent, l’intelligence est strictement matérielle et elle est probablement susceptible d’étudier sans le besoin de descendre au niveau de la mécanique quantique. La « chambre chinoise » devient équivalente à la machine de Turing dans le procès de sa formalisation. S’il y a quelque chose que nous ne pouvons pas considérer comme « chambre chinoise », alors nous ne pouvons pas le calculer généralement.
Nous avons changé légèrement l’expérience originale. Nous ne donnons pas des instructions préparées au « locataire de la chambre chinoise ». Il a un bloc de notes pour enregistrer les instructions lui-même, un crayon et une gomme. Il ne peut recevoir qu’une confirmation de l’extérieur pour les actions « correctes ». Les livraisons de ce qui est nécessaire, comme dans la réalité, peuvent être retardés et les interruptions sont possible dû à des facteurs inconnus.
Quels sont les résultats de ces expériences ?
Nous avons passé plus de temps à créer un logiciel prototype. Grâce à ceci nous sommes capables de résoudre le problème presque immédiatement ce qui est très cher à résoudre avec les systèmes de raisonnement formels, les systèmes d’apprentissage automatique. La tâche était de rétablir les trous dans les groupes de caractères avec des dépendances complexes, par exemple, quand un élément d’un groupe dépend de la combinaison de centaines ou de plus de caractères adjacents. Ceci est semblable à la complexité des séquences symboliques de la langue naturelle.
En parlant théoriquement, bien sûr que nous pouvons résoudre le problème en utilisant l’apprentissage automatique conventionnel. Le seul problème est la disponibilité et le coût des ressources, qui sont des données, du temps, de l’énergie, de l’argent et la disponibilité d’experts très qualifiés dans des domaines limités.
Nous sommes préparés pour résoudre une gamme plus large de tâches et avec un composant commercial plus important dans l’avenir. Par exemple, l’optimisation des campagnes publicitaires dans les réseaux sociaux, l’établissement de systèmes de notification, qui fournissent automatiquement et individuellement un contenu digital au consommateur. L’objectif final est la création d’une technologie industrielle unique d’intelligence artificielle.
Il y a beaucoup de plateformes d’apprentissage automatique conçus maintenant. Qu’est-ce qui manque dans toutes ces solutions ?
Il y a une demande croissante de systèmes de systèmes d’apprentissage automatiques indépendants. Mais la création d’un « cerveau » pour ces systèmes est encore au niveau de l’« art », au niveau de solutions individuelles exclusivement. Le secteur a besoin d’un niveau industriel.
Quelles sont les perspectives de l’apprentissage automatique, que se passera-t-il à continuation selon vous ?
Quelle est l’erreur des chercheurs antérieurs ? Selon mon avis, certains d’entre eux ont utilisé un niveau très élevé de détail (systèmes formels et bases de connaissance). D’autres ont utilisé des niveaux très bas de détail, le niveau des cellules individuelles, des neurones.
Nous devons revenir un peu aux situations initiales, penser crucialement sur l’expérience acquise et le comparer avec les données accumulées des sciences biologiques.
Entretien : Ivan Stepanyan
