L. Bardon . – Il y a quelques mois des chercheurs du Stanford AI Lab (SAIL) déclaraient avoir mis au point une méthode pour traiter les données et les environnements qui changent au fil du temps d’une manière qui surpasse certaines approches de pointe en matière d’apprentissage par renforcement. Ils affirmaient que l’approche LILAC présente des similitudes avec l’apprentissage tout au long de la vie et les algorithmes d’apprentissage en ligne.
À de très rares exceptions près, toutes les grandes avancées de l’intelligence artificielle de ce siècle ont été le résultat de l’apprentissage machine. Comme son nom l’indique (et contrairement à l’IA symbolique qui a caractérisé une grande partie de la première moitié de l’histoire du domaine), l’apprentissage machine implique des systèmes intelligents qui ne se contentent pas de suivre des règles mais qui, en fait, apprennent. Mais il y a un problème. Contrairement à un enfant humain, même petit, l’apprentissage machine a besoin de se voir montrer un grand nombre d’exemples de formation avant de pouvoir les reconnaître avec succès.
Pour que l’IA soit « à la hauteur de son potentiel », il est important que ces systèmes puissent apprendre de cette façon. Bien que le problème n’ait pas encore été résolu, un nouveau document de recherche de l’université de Waterloo en Ontario décrit un processus appelé LO-shot learning qui pourrait potentiellement être une nouvelle percée. Cela pourrait permettre aux machines d’apprendre beaucoup plus rapidement à la manière des humains. Cela serait utile pour un grand nombre de raisons, mais surtout dans des scénarios où il n’existe pas de grandes quantités de données pour la formation.
