Machine Learning : le MIT crée une IA « liquides » capable de s’adapter aux changements

Les chercheurs du MIT ont développé un type de réseau neuronal qui apprend sur le tas, et pas seulement pendant sa phase de formation. Ces algorithmes flexibles, appelés réseaux « liquides », modifient leurs équations sous-jacentes pour s’adapter en permanence aux nouvelles entrées de données. Cette avancée pourrait faciliter la prise de décision sur la base de flux de données qui évoluent au fil du temps, y compris ceux impliqués dans le diagnostic médical et la conduite autonome.

Une voie pour l’avenir du traitement de données de séries chronologiques

Selon Ramin Hasani, auteur principal de l’étude, c’est une voie pour l’avenir du contrôle des robots, du traitement du langage naturel, du traitement vidéo, de toute forme de traitement de données de séries chronologiques. Les données des séries chronologiques sont à la fois omniprésentes et vitales pour notre compréhension du monde, selon Hasani. Le monde réel est une question de séquences. Ainsi, les données de séries chronologiques créent réellement notre réalité. 

Il cite le traitement vidéo, les données financières et les applications de diagnostic médical comme des exemples de séries chronologiques qui sont au cœur de la société. Les vicissitudes de ces flux de données en constante évolution peuvent être imprévisibles. Pourtant, analyser ces données en temps réel et les utiliser pour anticiper les comportements futurs peut stimuler le développement de technologies émergentes comme les voitures autonomes. Hasani a donc construit un algorithme adapté à la tâche.

Un réseau neuronal capable de s’adapter à la variabilité des systèmes du monde réel

Les réseaux de neurones sont des algorithmes qui reconnaissent des modèles en analysant un ensemble d’exemples d’apprentissage. On dit souvent qu’ils imitent les voies de traitement du cerveau. Hasani s’est directement inspiré du nématode microscopique, C. elegans. Il ne possède que 302 neurones dans son système nerveux, dit-il, mais il peut générer une dynamique complexe de manière inattendue.

Hasani a codé son réseau neuronal avec une attention particulière à la façon dont les neurones de C. elegans s’activent et communiquent entre eux via des impulsions électriques. Dans les équations qu’il a utilisées pour structurer son réseau de neurones, il a permis aux paramètres de changer au fil du temps en fonction des résultats d’un ensemble imbriqué d’équations différentielles.

Un réseau flexible et riche en expressivité

La plupart des réseaux de neurones ne parviennent pas à s’adapter aux changements dans le flux de données entrant. Hasani dit que la fluidité de son réseau « liquide » le rend plus résilient aux données inattendues. Cette flexibilité est plus interprétable. Le réseau contourne l’impénétrabilité commune à d’autres réseaux neuronaux. Par ailleurs, le modèle lui-même est plus riche en termes d’expressivité.

Le réseau de Hasani a excellé dans une batterie de tests. Il a prédit avec précision les valeurs futures dans les ensembles de données, allant de la chimie atmosphérique aux modèles de trafic. De plus, la petite taille du réseau lui a permis de terminer les tests sans un coût de calcul élevé. Hasani prévoit de continuer à améliorer le système et de le préparer pour une application industrielle.

Pin It on Pinterest