Dans le cadre des Brown Statistics, NESS Seminar and Charles K. Colver Lectureship Series, l’Université Brown a accueilli le 27 novembre dernier Yann LeCun pour une conférence sur l’intelligence artificielle intitulée “How Could Machines Learn as Efficiently as Animals and Humans ?”
Le deep learning a entrainé de véritables révolutions notamment dans la compréhension du langage naturel. Mais presque tous ces succès reposent en grande partie sur l’apprentissage supervisé, où la machine est nécessaire pour prévoir les annotations fournies par les humains. En intelligence artificielle, la plupart des systèmes utilisent des modèles d’apprentissage par renforcement qui nécessitent beaucoup d’essais pour être pratiques dans le monde réel. Mais les animaux et les humains semblent apprendre de vastes quantités de connaissances sur le monde et la façon dont il fonctionne à travers une simple observation et des actions occasionnelles.
Les modèles prédictifs efficaces sont une composante essentielle de l’intelligence comportementale: grâce à eux, nous pouvons prédire les résultats et planifier des actions. On pourrait argumenter que de bons modèles prédictifs sont à la base du ‘bon sens’, permettant de combler des informations manquantes: prédire l’avenir à partir du passé et du présent, le passé selon le présent ou l’état du monde à partir de perceptions du bruit ambiant.
Sur la vidéo ci-dessus, Yann LeCun, PhD, directeur de Facebook AI Research et professeur à l’Université de New York, passe en revue certains principes et méthodes de l’apprentissage prédictif, et comment ils peuvent permettre d’apprendre les représentations hiérarchiques du monde et de gérer l’incertitude.
