Les machines n'ont plus besoin de notre aide pour apprendre

Les chercheurs travaillant avec des robots essaims disent qu'il est maintenant possible pour les machines d'apprendre comment fonctionnent les systèmes naturels ou artificiels en les observant sans qu'on leur dise quoi chercher.

Cela pourrait conduire à des avancées dans la façon dont les machines déduisent des connaissances et les utilisent pour détecter des comportements et des anomalies.

"Contrairement à l'original du test de Turing, cependant, nos interrogateurs ne sont pas humains mais plutôt des programmes informatiques qui apprennent par eux-mêmes."

La technologie pourrait améliorer les applications de sécurité, telles que la détection de mensonges ou la vérification d'identité, et rendre les jeux informatiques plus réalistes.

Cela signifie également que les machines sont capables de prédire, entre autres choses, comment les gens et les autres êtres vivants se comportent.


graphique d'abonnement intérieur


Le test de Turing

La découverte, publiée dans la revue Intelligence Swarm, s'inspire du travail de l'informaticien pionnier Alan Turing, qui a proposé un test, qu'une machine pourrait passer si elle se comportait indistinctement d'un humain. Dans ce test, un interrogateur échange des messages avec deux joueurs dans une pièce différente: l'un humain, l'autre une machine.

L'interrogateur doit savoir lequel des deux joueurs est humain. S'ils échouent constamment à le faire - ce qui signifie qu'ils n'ont pas plus de succès que s'ils avaient choisi un joueur au hasard - la machine a passé le test, et est considérée comme ayant une intelligence humaine.

"Notre étude utilise le test de Turing pour révéler comment un système donné - pas nécessairement un humain - fonctionne. Dans notre cas, nous avons surveillé un essaim de robots et nous avons voulu savoir quelles règles étaient à l'origine de leurs mouvements », explique Roderich Gross du département de contrôle automatique et d'ingénierie des systèmes de l'université de Sheffield.

«Pour ce faire, nous avons également surveillé un deuxième essaim d'apprentis robots. Les mouvements de tous les robots ont été enregistrés, et les données de mouvement montrées aux interrogateurs », ajoute-t-il.

"Contrairement au test de Turing original, cependant, nos interrogateurs ne sont pas humains mais plutôt des programmes informatiques qui apprennent par eux-mêmes. Leur tâche consiste à distinguer les robots des deux essaims. Ils sont récompensés pour catégoriser correctement les données de mouvement de l'essaim original comme authentiques, et celles de l'autre essaim comme contrefaçon. Les robots d'apprentissage qui réussissent à tromper un interrogateur - en lui faisant croire que leurs données de mouvement étaient authentiques - reçoivent une récompense. "

Gross dit que l'avantage de l'approche, appelée «Turing Learning», est que les humains n'ont plus besoin de dire aux machines ce qu'il faut rechercher.

Robot peint comme Picasso

Imaginez que vous voulez un robot à peindre comme Picasso. Les algorithmes conventionnels d'apprentissage automatique évalueraient les peintures du robot à quel point elles ressemblaient à un Picasso. Mais quelqu'un devrait dire aux algorithmes ce qui est considéré comme similaire à un Picasso pour commencer.

Turing Learning n'exige pas de telles connaissances préalables. Il récompenserait simplement le robot s'il peignait quelque chose qui était considéré comme authentique par les interrogateurs. Turing Learning apprendrait simultanément à interroger et à peindre.

Gross dit qu'il croit que Turing Learning pourrait conduire à des progrès dans la science et la technologie.

"Les scientifiques pourraient l'utiliser pour découvrir les règles régissant les systèmes naturels ou artificiels, en particulier lorsque le comportement ne peut pas être facilement caractérisé en utilisant des mesures de similarité", dit-il.

"Les jeux sur ordinateur, par exemple, pourraient gagner en réalisme car les joueurs virtuels pourraient observer et assumer les traits caractéristiques de leurs homologues humains. Ils ne copient pas simplement le comportement observé, mais révèlent plutôt ce qui distingue les joueurs humains des autres. "

Jusqu'à présent, Gross et son équipe ont testé Turing Learning dans des essaims de robots, mais la prochaine étape consiste à révéler le fonctionnement de certains collectifs d'animaux tels que des bancs de poissons ou des colonies d'abeilles. Cela pourrait conduire à une meilleure compréhension des facteurs qui influencent le comportement de ces animaux, et finalement informer la politique pour leur protection.

La source: Université de Sheffield

Livres connexes

at