Passer au contenu

Intelligence artificielle : un réseau neuronal estime un nombre sans savoir compter

Vous n’avez rien compris au titre ? Quand j’ai découvert la nouvelle, moi non plus mais c’est assez génial. Le réseau de neurones artificiels parvient à estimer le nombre d’objets sans avoir à les compter.

Vous n’avez rien compris au titre ? Quand j’ai découvert la nouvelle, moi non plus mais c’est assez génial. Un exemple simple : regardez le clavier de votre ordinateur, combien y a-t-il de touches ? Vous  n’allez pas les compter une par une mais comme ça, en regardant une seconde vous pouvez dire que c’est moins de 1000 et plus de 10 ou en tout cas plus que sur un clavier de téléphone et ce immédiatement !

Cette capacité à estimer très rapidement un nombre sans avoir à utiliser de calculs est une caractéristique que l’on retrouve chez certains animaux comme les poissons, les lions et les humains.

Les auteurs de cette étude publiée dans Nature, Ivilin Stoianov et Marco Zorzi de l’Unversité de Padoue en Italie nous rapprochent donc un peu plus de Skynet en enseignant à un réseau de neurones artificiels à faire cette estimation.

Les réseaux neuronaux

C’est en étudiant et en entraînant un réseau de neurones artificiels que les chercheurs sont parvenus à ce résultat. Les réseaux neuronaux simulés sont des méthodes de traitement des informations, calquées sur le fonctionnement des neurones dans le cerveau.

Ces réseaux sont d’abord créés avec des caractéristiques particulières de traiter des données puis ils sont “entraînés”. L’entrainement du réseau va provoquer la modification de la force des liens entre neurones et donc au fur et à mesure que l’entrainement avance, le réseau réagit différemment en fonction des images. L’algorithme apprend.

Dans le cas de Ivilin Stoianov et Marco Zorzi, l’entrainement a été de 51,800 images à un réseau qui modèle la rétine avec une couche de neurones qui réagit aux pixels puis deux sous-couches qui retraitent l’information brute de la première de manière complexe.

Système d’approximation des nombres

Les 51,800 images contenaient chacune jusqu’à 32 rectangles de différentes couleurs et de tailles différentes. Dans l’algorithme du réseau il n’y avait aucune fonction de comptage des rectangles.

Pourtant, en étudiant un petit groupe de neurones dans la couche la plus profonde après l’entrainement, les chercheurs se sont rendu compte que la fréquence des impulsions de ceux-ci était directement reliée au nombre de rectangles sur l’image !

Qui plus est cette observation restait vraie même si la surface globale couverte par les rectangles n’augmente pas avec le nombre de rectangles, ce qui est la preuve que c’est une estimation du nombre et pas de la surface couverte.

Cette faculté ressemble donc beaucoup à ce qu’on appelle chez les humains le système d’approximation des nombres. Pour vérifier que ce groupe de neurones au comportement particulier pouvait effectivement aider à estimer un nombre, les chercheurs ont créé un deuxième programme de comparaison d’une image à une image de référence et basé sur le réseau précédent.

Eh bien après entrainement, le programme était capable, toujours sans compter, de savoir “instinctivement” s’il y avait plus ou moins de rectangles sur l’image que le nombre de référence… impressionnant.

[New Scientist] [Nature]

📍 Pour ne manquer aucune actualité de Presse-citron, suivez-nous sur Google Actualités et WhatsApp.

Opera One - Navigateur web boosté à l’IA
Opera One - Navigateur web boosté à l’IA
Par : Opera
17 commentaires
17 commentaires
  1. Ça me rappel mes cours d’intelligence artificiel. Il y a tout un tas d’expérience de ce type à réaliser, en utilisant des procédés simples.
    Si un jour je m’ennuie, je saurais comment m’occuper ^^

  2. ce n’est pas impressionnant, c’est effrayant. on est entrain de donner les clefs aux machines pour pouvoir se passer de nous à moyen terme.

  3. @Zirko

    Eventuellement à trés, trés, trés, trés, trés, trés, trés … long terme car même si on admettait l’éventualité d’un réseau de neurone susceptible d’approcher celui du cerveau humain, ET si on admettait qu’on soit capable de reduire par 10 la tailles des transistor (alors qu’on est même pas capable de la diviser par deux) il faudrait encore des machines de la tailles d’un immeuble de 70 étages alimenté par une centrale. Terminator, c’est pas pour demain.

    Par contre, c’est absolument fabuleux dans plusieurs domaine d’application.

    Exemple: L’automobile et le freinage. On sait que ce qui nous fait défaut la plus part du temps, c’est l’anticipation (l’abs ne permettant que de reduire au minimum la distance de freinage).

    Si un calculateur pouvais estimer correctement le risque de collision et anticiper le freinage, bien des accidents serait évité.

  4. Pas mal d’applications pour ce qui est de l’éducation et des points de départ choisis pour enseigner les dénombrements et les bases de l’algèbre. Pas mal d’applis aussi en intelligence artificielle.

    En somme, c’est un peu dommage de ne pas savoir dans quelle voix “industrielle” la découverte va se place, même si c’est déja sympa de la partager :D).

    1. @Belgarath : Merci du commentaire, j’avais mis une phrase pour les application qui est passé à la trappe comme par magie je sais pas comment je me suis débrouillé… Bref oui on peut s’attendre à des avancées notamment en médecine pour mieux comprendre des maladies comme la Dyscalculie ou bien sur dans le domaine très utilisé en sciences et dans l’industrie de la vision par ordinateur

      @Photo 555 : aha bien vu ! J’arrive pas à croire que tu sois le premier à remarquer 🙂 … si seulement j’avais fait exprès j’aurai pu faire croire à un test

  5. Mouais, bof. “Estimer un nombre” c’est beaucoup dire, par rapport à la comparaison à un nombre de référence. En plus, compter c’est le genre de truc assez croissant, ce qui est en général assez facile pour un réseau de neurones.

    J’aurai bien voulu avoir un peu plus de détails sur les poids et les fonctions de transitions à l’intérieur des réseaux, mais malheureusement, comme la plupart des articles sur l’intelligence artificielle, tout est fait pour rendre la chose la plus énigmatique possible. Comme le nom “réseaux de neurones”, d’ailleurs, qui est très mystificateur.

    L’article cité n’aide pas beaucoup non plus … et j’aimerais bien voir d’où vient l’histoire de “fréquence des impulsions”.

    1. Salut JM : Je ne peux pas dire que tu aies tort, mais en rédigeant un article sur un sujet complexe, pour ne pas faire trop long et qu’il reste compréhensible par tous (quid du nombre de personnes ayant lu jusqu’au bout si je détaillais les fonctions de transition ?) il faut couper du détail. Qui plus est j’ai donné le lien vers l’article de Nature… où par définition tu aura toutes les infos (mais c’est payant) qui plus est, légalement je ne peux pas me permettre de donner tous les détails d’un article non publique… une publication est une publication, un article de vulgarisation est une chose complètement différente, ceci dit, merci pour le feedback

      PS : intelligence artificielle n’est pas franchement énigmatique… (qui plus est je donne les liens wiki à chaque fois)

      PPS : “Réseau de neurones artificiels” n’est pas mystificateur, c’est la seule manière de le dire et c’est assez explicite. De manière artificielle (par ordinateur) on recréé un réseau logique de type neuronal : cellules interdépendantes qui intègrent l’informations de celles auxquelles elles sont liées et transmettent ou non les “impulsions” aux suivantes (voir PPPS)

      PPPS : toute la première partie est effectivement une estimation numérique puisque la “fréquence des impulsions” est directement lié au nombre de ronds et pas une comparaison (i.e fréquence à laquelle un neurone via ses synapses, reçoit suffisamment de neurotransmetteurs pour déclencher un potentiel d’action, ce qui entraînera la libération au bout des axons à la libération de neurotransmetteur dans les synapses pour propager le message. Dans le système nerveux les données ne sont pas codées en intensité ou en voltage, tous les signaux sont les même, c’est la “fréquence de déclenchement” des neurones qui code l’information)

    1. @amapi : ahaha c’est con mais ça m’a fait marrer, je la réutiliserai, tu pourra bloquer mon site avec SOPA pour violation de copyright 🙂

  6. Nous sommes à la préhistoire de la recherche sur l’intelligence artificielle. Je pense qu’on ne verras pas terminator avant un bon millier d’années, le cerveau humain est ultra complexe, bien trop complexe pour nous et pour le reproduire.

    Il faut qu’on arrive au moment où les machines seront aussi intelligentes que nous et elles pourront faire les recherches à notre place pour l’évolution. Le soucis c’est que si elles deviennent aussi intelligentes elles risquent de se rebeller.

  7. Bien au contraire, arrêtez tous de poser l’encéphale humain sur un pied d’estale, nous ne sommes ni plus ni moins que des machines biologique à l’instar de Descartes rationaliste le plus en avance de son époque avec la théorie de l’animal-machine. Le problème n’est pas vraiment la puissance machine de part la factorisation neuronale avec des directives préprogrammé diminuant la cardinalité nécessaire de neurones et la limitant juste à la prise de conscience, mémoire, etc.., mais la faute revient aux algorithmes de neuromimétisme ayant une approche trop figé, trop programmatique (eg perceptron dans le cas de cette expérience je suppose), il faudrait un part de stochastisme sinon le réseaux quoi qu’il arrive ce perfectionnera certes dans ce dont on lui a appris mais ce sera tous.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *