Les algorithmes intelligents du futur seront-ils comme des robots à usage général qui peuvent gérer les conversations et la lecture de cartes aussi bien que les tâches de cuisine? Ou nos assistants numériques ressembleront-ils davantage à des gadgets spécialisés - c'est-à-dire que ce ne sera pas un chef bavard, mais une cuisine remplie d'appareils électroménagers?
Si un algorithme essaie d'en faire trop, les problèmes commencent. La recette ci-dessous a été créée par un réseau de neurones artificiels - un type d'intelligence artificielle qui apprend par l'exemple. Cet algorithme a soigneusement étudié environ 30 000 recettes, des soupes et tartes au barbecue, puis a essayé de donner votre propre recette. Le résultat est, disons, peu orthodoxe.
Pâte de poulet au riz
2 livres de coeurs pelés
1 tasse de tarte à la menthe fraîche ou à la framboise hachée
1/2 tasse de katrimas râpés
1 cuillère à soupe d'huile végétale
1 sel
1 poivron
2 1/2 cuillères à soupe de sucre
Mélanger sans feuilles et remuer jusqu'à ce que le mélange devienne épais. Ajouter les œufs, le sucre, le miel, les graines de carvi et cuire à feu doux. Ajouter le sirop de maïs, l'origan, le romarin et le poivre blanc. Ajouter la crème en chauffant. Préparez-vous à ajouter la cuillère à café restante de levure chimique et de sel. Cuire à 350 ° F pendant 2 à 1 heure. Servir chaud.
Pour 6 portions.
Et voici un exemple de recette créée par le même algorithme, mais seulement au lieu d'étudier toutes les recettes d'affilée, il s'est entraîné uniquement sur les gâteaux. La recette n'est pas parfaite, mais bien meilleure que la précédente.
Gâteau aux carottes
1 paquet de mélange à gâteau jaune
3 tasses de farine
1 cuillère à café de levure chimique
1 1/2 cuillères à café de soda
1/4 cuillère à café de sel
1 cuillère à café de cannelle
1 cuillère à café de gingembre
1/2 cuillère à café de clous de girofle
1 cuillère à café de levure chimique
1/4 cuillère à café de sel
1 cuillère à café de vanille
1 œuf à température ambiante
1 tasse de sucre
1 cuillère à café de vanille
1 tasse de pacanes hachées
Préchauffez le four à 350 degrés. Graisser une plaque à pâtisserie de 9 pouces.
Battre les œufs rapidement jusqu'à jaune foncé. Mettez de côté. Battre les blancs à une dureté dans une tasse séparée. Accélérez le premier mélange dans la forme préparée et ramollissez l'huile. Cuire au four pendant 40 minutes jusqu'à ce qu'un cure-dent inséré au centre de la tarte reste propre. Réfrigérer sous forme de 10 minutes. Mettez sur un support métallique jusqu'à refroidissement.
Retirez le gâteau du moule jusqu'à ce qu'il soit complètement refroidi. Servir chaud.
Pour 16 portions.
Bien sûr, si vous regardez de plus près les instructions, il deviendra clair qu'à la sortie, vous ne recevrez qu'un jaune d'oeuf cuit. Mais c'est toujours une amélioration. Lorsque l'IA a pu se limiter à une spécialisation spécifique, la quantité de ce qui devait être surveillé a simplement diminué. Il n'avait pas à choisir quand utiliser le chocolat et quand - les pommes de terre, quand cuire et quand bouillir. Si le premier algorithme tentait d'être une boîte magique capable de livrer du riz, de la crème glacée et des tartes, le second tentait de ressembler à un grille-pain - un appareil spécialisé pour une tâche.
Les développeurs qui forment des algorithmes d'apprentissage automatique ont constaté qu'il est souvent judicieux de créer des grille-pain au lieu de boîtes magiques. Cela peut ne pas sembler intuitif, car l'IA dans la fiction occidentale ressemble plus à C-3PO de Star Wars ou WALL-E du film du même nom. Ce sont des exemples d'intelligence artificielle à usage général (ION), des automates capables d'interagir avec le monde comme des personnes et d'effectuer de nombreuses tâches différentes. Cependant, de nombreuses entreprises utilisent discrètement et avec succès l'apprentissage automatique pour atteindre des objectifs beaucoup plus limités. Un algorithme pourrait être un chat bot servant un nombre limité de questions de base des clients sur une facture de téléphone. Un autre peut donner des prédictions sur ce que l'appelant veut discuter et afficher ces prédictions à l'écran pour la personne qui répond à l'appel. Ce sont des exemples d'intelligence artificielle de spécialisation étroite (IIMS) - limités par un très petit ensemble de fonctions. D'un autre côté, Facebook a récemment retiré son robot de chat «M», qui n'a pas été en mesure de faire face aux réservations d'hôtel, aux billets de théâtre, etc.
La raison pour laquelle nous avons un IIMS au lieu d'un IALL du niveau WALL-E est que tout algorithme essayant de généraliser les tâches commence à faire face pire aux tâches qui lui sont données. Par exemple,
il existe un algorithme formé pour produire des images sur la base de la description. Il essaie de créer une image à partir du texte: "c'est un oiseau jaune avec des taches noires sur la tête et un bec très court". Lorsqu'il a été formé sur un ensemble de données composé uniquement d'oiseaux, il a plutôt bien réussi (sans tenir compte d'une étrange corne):
Mais quand on lui a demandé de créer quoi que ce soit, des panneaux d'arrêt et des bateaux aux vaches et aux gens, il a eu du mal. Voici le résultat d'essayer de dessiner une «image d'une fille qui mange une tranche de pizza»:
Nous n'avons pas l'habitude de penser qu'il y a un si grand écart entre un algorithme qui fait bien une chose et un algorithme qui fait bien beaucoup de choses. Mais les capacités mentales de nos algorithmes actuels sont très limitées par rapport au cerveau humain, et chaque nouvelle tâche les charge encore plus. Imaginez un appareil ménager de la taille d'un grille-pain: il est facile de faire quelques fentes dedans, d'installer des serpentins de chauffage et de faire frire du pain. Mais après cela, il n'y a plus rien à faire. Si vous essayez d'y ajouter un cuiseur à riz et une sorbetière, vous devrez au moins abandonner les fentes, et un tel appareil ne pourra probablement pas bien faire.
Les programmeurs utilisent différentes astuces pour extraire le rendement maximal des algorithmes IMS. L'un est une formation transmise: entraînez l'algorithme à travailler avec une tâche, et il apprendra à en effectuer une autre, étroitement liée à cette tâche, après un surentraînement minimal. Les gens utilisent l'apprentissage transmis pour former des algorithmes de reconnaissance d'images. L'algorithme, qui a appris à reconnaître les animaux, a déjà recueilli de nombreuses informations concernant la détermination des contours et l'analyse de texture, qui peuvent être transférées à la tâche de détermination des fruits. Mais lors du surentraînement de l'algorithme de reconnaissance des fruits, l'algorithme subira un «oubli catastrophique», c'est-à-dire qu'il ne se souviendra plus comment identifier les animaux.
Un autre objectif des algorithmes d'aujourd'hui est la modularité. Au lieu de se transformer en un seul algorithme capable de résoudre n'importe quel problème, l'IA sera très probablement à l'avenir des assemblages d'outils hautement spécialisés. L'algorithme, appris à jouer à Doom, disposera d'un système distinct pour la vision par ordinateur, le contrôle et la mémoire. Les modules interconnectés peuvent fournir une redondance pour éviter les pannes et un mécanisme de vote pour la meilleure solution au problème basé sur diverses approches. Il peut y avoir un moyen de détecter et de corriger les erreurs d'algorithme. Il est généralement assez difficile de comprendre comment un algorithme particulier prend des décisions, mais si la décision a été prise par l'interaction des algorithmes, nous pouvons étudier la sortie de chacun d'eux.
Peut-être ne devrions-nous pas imaginer les algorithmes d'un avenir lointain sous la forme de WALL-E et C-3PO. Au lieu de cela, nous pouvons imaginer quelque chose comme un smartphone plein de toutes sortes d'applications, ou un plan de travail de cuisine chargé de gadgets. Lorsque vous vous préparez pour un monde rempli d'algorithmes, vous devez vous assurer que nous prévoyons de ne pas rencontrer des boîtes magiques polyvalentes qui ne peuvent jamais apparaître, mais des grille-pain hautement spécialisés.