IA scientifiques

Ces chercheurs chinois vont créer des IA meilleures que les scientifiques

Les chercheurs chinois révolutionnent l'intelligence artificielle en développant des IA scientifiques grâce au machine learning informé.

Récemment, une équipe de chercheurs chinois a proposé une nouvelle méthodologie prometteuse pour le machine learning. De quoi s'agit-il ? Eh bien, c'est de transformer des modèles d'IA en véritables scientifiques capables d'améliorer des expériences. Ces modèles pourront ainsi résoudre des problèmes scientifiques bien plus complexes.

Zoom sur les bases de cette innovation sur le machine learning

Cette méthode nouvellement créée repose sur l'intégration de connaissances préalables. On citera, par exemple, les lois physiques ou la logique mathématique, tout cela, dans le processus de formation des machines. Une publication récente dans la revue Nexus, reconnue pour son processus d'évaluation par les pairs, a d'ailleurs cette révolution potentielle.

En effet, les modèles d'apprentissage profond, ont déjà marqué de leur empreinte le domaine de la recherche scientifique. Ils ont même dévoilé des corrélations et des modèles cachés, ce qui a permis d'ouvrir la voie à de nouvelles découvertes. En tout cas, l'insertion d'un cadre d'apprentissage informé pourrait pousser ces capacités encore plus loin. On envisagerait, en ce sens, à doter les IA d'une compréhension préalable qui enrichit et guide leur apprentissage.

Sora IA : ce qu'il y a à savoir sur ce produit

On prendra l'exemple de Sora, le modèle textuel-vidéo développé par OpenAI. Celui-ci affiche parfaitement les progrès et les limites actuelles de l'IA. Tout d'abord, notons qu'il est salué pour sa capacité à générer des images et des vidéos d'un réalisme saisissant. Résultat, Sora marque une avancée significative dans le domaine de l'IA générative. Il est à souligner que les développeurs d' ont conçu ce modèle pour comprendre comment les objets existent et interagissent dans le monde réel.

Néanmoins, malgré ses réussites, Sora se heurte à des difficultés lorsqu'il s'agit de simuler fidèlement certaines dynamiques du monde réel, comme le comportement du verre lorsqu'il se brise. Cela s'explique par le fait que l'outil, bien qu'entraîné sur d'immenses quantités de données visuelles, n'intègre pas de compréhension des principes physiques fondamentaux tels que la gravité.

« Sans une compréhension fondamentale du monde, un modèle reste plus proche de l'animation que de la simulation réelle », lance Chen Yuntian, professeur à l'Institut de Technologie de l'Est (EIT) et co-auteur de l'étude. Cette remarque traduit l'importance d'aller au-delà de la simple analyse de données. Après tout, il est nécessaire de construire des modèles d'IA véritablement capables de simuler et d'interagir avec le monde réel.

Un changement de cap pour le machine learning

Face à ces défis, les chercheurs de l'Université de Pékin et de l'EIT ont introduit le concept de machine learning informé. Cette approche novatrice se veut combiner la connaissance préalable avec les méthodes traditionnelles d'apprentissage basées sur les données. L'idée est de prémunir les modèles d'IA avec un lot de connaissances pouvant aider quant à l'interprétation plus précise des données.

Pourtant, intégrer efficacement cette connaissance préalable pose un défi majeur. Les chercheurs doivent sélectionner soigneusement les informations pertinentes à inclure, puisqu'une surcharge de règles et de principes peut entraîner l'effondrement des modèles. « Face à une quantité élevée de connaissances et de règles, ce qui est souvent le cas, les modèles de machine learning informé actuels ont tendance à rencontrer des difficultés, voire à échouer » explique toujours Chen. Un cadre d'évaluation est donc indispensable afin de former des modèles prédictifs plus robustes.

Newsletter

Envie de ne louper aucun de nos articles ? Abonnez vous pour recevoir chaque semaine les meilleurs actualités avant tout le monde.

Cliquez pour commenter

Laisser un commentaire

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