L. Bardon . – Au cours des dernières années, les grandes entreprises de technologie n’ont fait qu’accélérer leurs investissements et leurs recherches en intelligence artificielle (IA), après qu’une théorie vieille de plusieurs décennies ait finalement fonctionné en 2012. Inspiré du cerveau humain, un réseau neuronal artificiel reposait sur des milliers de minuscules connexions, entre “neurones” . Mais cette architecture logicielle s’accompagne d’un compromis : comme les changements au cours de ces millions de connexions sont si complexes et infimes, les chercheurs ne sont pas en mesure de déterminer exactement ce qui se passe. Ils obtiennent juste un résultat. Comme ces réseaux de neurones artificiels commencent à être utilisés dans l’application de la loi, les soins de santé, la recherche scientifique et pour déterminer quelles informations vous seront proposées sur Facebook, les chercheurs estiment que le côté “boîte noire” est devenu un problème majeur. D’autre part, des recherches ont démontré que les algorithmes amplifiaient les biais dans les données à partir desquelles ils apprennent et établissaient des liens involontaires (et pas toujours appropriés) entre les idées.
Les réseaux neuronaux d’apprentissage en profondeur sont utilisés pour des tâches aussi variées que la conduite autonome ou le diagnostic de maladies. Ce type de réseau excelle dans la reconnaissance de modèles dans des ensembles de données vastes et complexes pour aider à la prise de décision.
L’un des grands défis consiste à déterminer si les résultats produits par le réseau neuronal sont dignes de confiance.
Actuellement, estimer l’incertitude des réseaux neuronaux tend à être coûteuse en termes de calcul et trop lente pour les décisions à prendre à la volée. Des chercheurs du MIT et de l’université de Harvard ont mis au point un moyen rapide pour qu’un réseau neuronal puisse traiter des données et fournir une prédiction ainsi que le niveau de confiance du réseau neuronal dans sa réponse. L’approche conçue par les chercheurs s’appelle « régression probante profonde ».
Les chercheurs ont testé leur système sur liée à la vision par ordinateur. Ils ont entraîné le réseau neuronal à analyser une image couleur binoculaire et ont estimé la valeur de la distance pour chaque pixel. C’est une tâche qu’un véhicule autonome pourrait effectuer. Les performances du nouveau réseau étaient comparables à celles des modèles de pointe précédents et ont permis d’estimer son incertitude.
