Machine learning, Deep learning, apprentissage supervisé ou non-supervisé, de nombreux projets cherchent à améliorer les techniques d’apprentissage des intelligences artificielles. La start-up toulousaine Synapse Développement a décidé de se lancer dans un très intéressant nouveau projet baptisé LIHLITH, qui s’intéresse au Lifelong Learning. Ce projet de R&D entend améliorer les capacités d’auto-apprentissage d’une intelligence artificielle grâce à ce nouveau modèle de renforcement de connaissances, futur de l’Active Learning.
Du Machine Reading au Lifelong Learning
Afin de proposer les chatbots les plus performants possible, Synapse fortifie son pôle R&D et participe régulièrement à des projets de recherche précurseurs en matière d’intelligence artificielle et de traitement automatique du langage naturel (TALN). Ainsi, le projet READERS avait donné jour en 2016 à la technologie exclusive de « Machine Reading », désormais au cœur de ses chatbots, leur permettant de pouvoir générer automatiquement leur base de connaissances à partir d’une documentation.
Aujourd’hui, Synapse porte un nouveau projet pilote et déterminant pour ses chatbots : LIHLITH (Learning to Interact with Humans by Lifelong Interaction with Humans).
Financé par CHIST-ERA et méné en partenariat avec l’UPV/EHU (Université du Pays Basque), le LIMSI (Laboratoire d’informatique pour la mécanique et les sciences de l’ingénieur), l’UNED (Université Espagnole d’Éducation à Distance) et le ZHAW (Université de sciences appliquées de Zurich), ce beau projet a pour vocation d’améliorer les capacités d’auto-apprentissage des robots.
Un nouveau cadre d’apprentissage
Ainsi, LIHLITH introduit un nouveau cadre d’apprentissage pour une intelligence artificielle : le « Lifelong Learning ». Les systèmes les plus avancés aujourd’hui, tels que celui de Synapse, s’améliorent progressivement selon des mécanismes relevant du domaine de l’« Active Learning » : les chatbots améliorent leurs réponses en exploitant les feedbacks émis par l’utilisateur. Cependant, l’impact de chaque feedback reste limité en termes de portée et de généralisation à de nouveaux contextes. Par exemple, un retour de satisfaction utilisateur portant sur une réponse à une question donnée ne modifie le comportement du bot que sur les questions similaires. Il ne permet pas d’améliorer les performances du bot dans leur globalité car il n’est pas couplé aux questions de satisfaction des autres étapes.
A l’inverse, dans le paradigme Lifelong Learning, c’est l’intelligence artificielle derrière les bots qui bénéficiera des interactions de chacun des chatbots qu’elle gère. L’IA s’améliorera donc en continu et de manière globale, grâce aux retours d’expérience des différents chatbots tournant grâce à cette même intelligence artificielle. Elle pourra ainsi choisir d’elle-même d’optimiser un de ses scénarios de réponse en fonction de l’ensemble des feedbacks reçus sur l’intégralité des interactions des chatbots.
Optimiser la gestion de connaissances et mieux apprendre des interactions
Cette approche holistique de l’intelligence artificielle aura un impact fort sur l’amélioration de la gestion de connaissances du robot. Actuellement, un chatbot est performant et efficace sur un domaine précis. Il n’a de connaissances que sur ce domaine particulier, ce qui réduit drastiquement ses capacités de contextualisation, pourtant déterminantes pour résoudre efficacement un problème. Afin de pallier ce manque, LIHLITH entend permettre à l’intelligence artificielle d’élargir ses domaines de connaissance en apprenant de manière autonome de données multi-sources.
Pour optimiser ce processus, le robot sera en mesure de diriger ses interactions avec un humain dans le but d’optimiser sa connaissance et de mieux apprendre de ses échanges. Il aura ainsi une meilleure gestion du dialogue et saura déterminer, en direct, si son interlocuteur est satisfait de sa réponse ou non.
L’objectif général du projet est de s’inspirer de la façon dont l’humain apprend, en continu et sur la base de peu d’exemples, afin de permettre au robot d’en faire de même. Or, la difficulté pour une intelligence artificielle est de parvenir à intégrer de nouvelles informations pour mettre à jour ses connaissances sans dégrader ni faire régresser le système.
Afin de mener à bien ces travaux de recherche, le projet LIHLITH combine le machine learning, les représentations de connaissances et l’expertise linguistique, savoir-faire historique de Synapse Développement. L’équipe s’appuiera sur les progrès récents menés dans plusieurs disciplines de recherche dont le deep learning, l’apprentissage par renforcement, le traitement du langage naturel, l’inférence de nouvelles connaissances et l’apprentissage continu.
