L'IA peut-elle activer les machines avec Fluid Intelligence?

Une nouvelle classe d'apprentissage automatique de l'intelligence artificielle (IA) sera dévoilée lors de la prochaine trente-cinquième conférence AAAI sur l'intelligence artificielle au début de février 2021. Le Massachusetts Institute of Technology (MIT) et des chercheurs autrichiens ont créé un nouveau réseau neuronal doté d'un fluide accru intelligence artificielle appelée apprentissage automatique «liquide».Cette nouvelle classe d'apprentissage automatique peut permettre une meilleure adaptation aux fluctuations dynamiques de problèmes complexes du monde réel.

Dans les domaines où les flux de données changent avec le temps, il est essentiel de développer une IA plus flexible, capable d'apprendre rapidement. Les applications du monde réel avec des données chronologiques comprennent le traitement vidéo, l'épidémiologie, les marchés financiers, l'économie, le produit intérieur brut (PIB), la surveillance de la santé, les prévisions météorologiques, la pollution atmosphérique, les véhicules autonomes, la robotique, l'aviation et l'imagerie médicale, pour ne citer que cela. quelques.

Le concept d'intelligence fluide contre intelligence cristallisée remonte à 1963, lorsqu'il a été introduit par l'un des psychologues les plus influents du XXe siècle, Raymond Cattell (1905-1998). L'intelligence fluide est la capacité de penser de manière flexible, de raisonner et de traiter de nouvelles informations en temps réel. En revanche, l'intelligence cristallisée fait référence aux connaissances acquises lors de l'apprentissage antérieur de faits, de compétences et d'expériences.

«Nous introduisons une nouvelle classe de modèles de réseaux neuronaux récurrents continus dans le temps», ont écrit les auteurs de l'étude. Ramin Hasani, post-doctorant au Laboratoire d'informatique et d'intelligence artificielle (CSAIL), et auteur principal de l'étude. Parmi les autres chercheurs de l'équipe figurent le professeur du MIT et directeur du CSAIL Daniela Rus, le doctorant du MIT Alexander Amini, Mathias Lechner de l'Institut des sciences et de la technologie d'Autriche et Radu Grosu de l'Université de technologie de Vienne.

Les réseaux de neurones récurrents qui utilisent des équations différentielles ordinaires (ODE) pour déterminer les états cachés en temps continu sont souvent utilisés lorsqu'il existe des données chronologiques. L'équipe de chercheurs a entrepris d'améliorer cette structure pour «permettre un apprentissage et une expressivité des représentations plus riches».

«Au lieu de déclarer la dynamique d'un système d'apprentissage par des non-linéarités implicites, nous construisons des réseaux de systèmes dynamiques linéaires du premier ordre modulés via des portes interconnectées non linéaires», ont écrit les chercheurs.

Comme alternative, les chercheurs ont créé un réseau de neurones récurrents (RNN) à constante de temps liquide (LTC). L'avantage de ce nouveau type de réseau de neurones récurrent est qu'il est plus expressif par conception, et donc intrinsèquement plus transparent et explicable.

Cette expressivité permet aux chercheurs d'avoir une meilleure visibilité sur certains processus de «réflexion» du réseau de neurones, un avantage qui aide à démystifier une partie de la cognition complexe de la «boîte noire» de l'apprentissage automatique de l'intelligence artificielle.

«Les modèles résultants représentent des systèmes dynamiques avec des constantes de temps variables (c'est-à-dire liquides) couplées à leur état caché, les sorties étant calculées par des solveurs d'équations différentielles numériques», a écrit l'équipe de recherche. «Ces réseaux de neurones présentent un comportement stable et limité, donnent une expressivité supérieure au sein de la famille des équations différentielles ordinaires neurales et donnent lieu à de meilleures performances sur les tâches de prédiction de séries chronologiques.»

Pour évaluer leur nouveau modèle, l'équipe a réalisé un certain nombre d'expériences avec leur réseau neuronal récurrent à contrainte de temps liquide. Les expériences comprennent la formation d'un classificateur pour identifier les gestes de la main à partir des données de mouvement, la prédiction de l'occupation de la pièce à partir des flux de données des capteurs (température, niveaux de dioxyde de carbone, humidité et autres capteurs) et la reconnaissance de l'activité humaine (par exemple, debout, marcher et s'asseoir), à partir des données du smartphone. Des tests supplémentaires comprennent la MNIST séquentielle, la modélisation de la dynamique cinématique et la prédiction du trafic, de la consommation électrique horaire des ménages, des niveaux de concentration d'ozone et d'autres types d'activité humaine.

Par rapport à d'autres modèles de réseaux de neurones récurrents (LSTM, CT-RNN, Neural ODE et CT-GRU), les chercheurs ont observé une amélioration de 5 à 70% dans quatre des sept expériences sur les prédictions de séries chronologiques.

L'intelligence artificielle se développe rapidement à travers les industries et de nombreuses fonctions. Plus l'apprentissage automatique de l'IA devient flexible, fluide et transparent, plus le potentiel d'amélioration de la sécurité et des performances de l'IA à l'avenir augmente.

Copyright © 2021 Cami Rosso Tous droits réservés.