Des réseaux neuronaux plus performants, vers une IA plus créative ?

Des chercheurs de l'Université de Waterloo ont trouvé un moyen de marier créativité humaine et « créativité » de l'intelligence artificielle (IA). À la clé, un « apprentissage profond » plus performant et des applications pour différents secteurs d’activité comme l’automobile et l’aéronautique.

Nos smartphones et les voitures autonomes vont-ils être encore plus « intelligents » ? Peut-être avec une nouvelle génération de réseaux neuronaux profonds (Deep neural networks -DNNs) développés par une équipe dirigée par Alexander Wong, titulaire d’une chaire de recherche du Canada dans le domaine de l’IA et professeur en génie de la conception de systèmes à l’Université de Waterloo.

Les réseaux neuronaux profonds deviennent de plus en plus performants. Mais ils ne peuvent pas encore être « intégrés » dans des appareils mobiles, des drones ou bien des véhicules.

« Le problème avec les réseaux neuronaux actuels, c’est qu’ils sont construits à la main et qu’ils sont incroyablement grands, complexes et difficiles à utiliser dans n’importe quelle situation réelle », explique Alexander Wong. Ironiquement, l’intelligence artificielle elle-même peut être utilisée pour aider les scientifiques et les développeurs de données à construire et à évaluer les Deep neural networks.

Reconnaissance vidéo

Dénommée Generative Synthesis, la technologie développée par Alexander Wong (qui a cofondé une start-up nommée DarwinAI pour la commercialiser) est capable justement de réduire la complexité de la conception de solutions d’apprentissage profond à haute performance. Elle facilite également l’apprentissage profond, ce qui permet à l’utilisateur de comprendre pourquoi un réseau prend telle ou telle décision.

Appelés AttoNets, les réseaux neuronaux de l’équipe de Alexander Wong ont en effet démontré l’efficacité de la conception collaborative homme-machine. Les résultats expérimentaux pour la tâche de reconnaissance d’objets ont montré que les AttoNets nécessitent beaucoup moins de paramètres et de coûts de calcul que les autres types de réseaux.

Ils pourraient être utilisés pour la classification d’images et la segmentation d’objets. Mais ils peuvent également servir de blocs de construction pour la reconnaissance d’action vidéo, la production d’images et autres tâches de perception visuelle.

Petits et agiles, ses réseaux pourraient être exploités dans les secteurs de l’automobile, de l’aérospatial, de l’agriculture, des finances et de l’électronique grand public selon ce scientifique.

Cette technologie a été récemment validée par Intel. Audi Electronics Ventures a également montré qu’elle accélère considérablement la conception d’apprentissage profond pour la conduite autonome.