En utilisant un nouveau schéma de machine learning appelé calcul différentiel neuronal ou “differentiable neural computer” (DNC) en anglais, les ingénieurs de Deep Mind ont créé une machine capable d’utiliser les leçons qu’elle a apprise en étudiant un problème pour les appliquer à un autre problème, démontrant ainsi la capacité à généraliser des solutions. Le DNC peut utiliser sa mémoire pour répondre à des questions portant sur des données complexes et structurées, que ce soit des histoires générées artificiellement, des arbres généalogiques ou même une carte du métro de Londres. Pourquoi c’est important ? Parce qu’auparavant, les réseaux neuronaux devaient être formés par le biais d’ensembles de données, et sans une architecture pour l’ajout de mémoire, le réseau devait être formé à nouveau pour chaque problème. L’ajout de capacité de mémoire en lecture-écriture aux réseaux neuronaux permet au DNC de Deep Mind de le généraliser sur les réseaux. Bien qu’il ne s’agisse pas d’une véritable intelligence artificielle générale, l’incorporation de la mémoire crée un nouveau paradigme dans la façon de construire des systèmes d’intelligence artificielle intelligents et efficaces. Fondamentalement, l’ajout de la mémoire externe historique permet à l’intelligence artificielle de généraliser à travers des sous-disciplines (par exemple, différents types de jeux Atari), et pourrait faciliter une meilleure reconnaissance de formes dans tous les domaines, de la biologie et la génétique à la science des matériaux.
