Plusieurs équipes de chercheurs ont réussi à démontrer que le learning machine pouvait être intégralement automatisé. En effet, les intelligences artificielles développées par d’autres I.A obtiennent des résultats supérieurs à celles mises au point par l’homme.
Les I.A sont de plus présentes dans notre quotidien et on nous les présente comme des entités nous facilitant la vie. De nombreux exemples peuvent être cités : voitures autonomes, assistants personnels, systèmes de reconnaissance faciale et autres. Ces I.A intègrent le machine learning, des réseaux neuronaux dirigés par des logiciels complexes dont le but est d’apprendre de manière autonome en assimilant des données en grande quantité.
Différentes équipes de chercheurs qui proviennent du Massachusetts Institute of Technology (MIT) ou du centre Google Brain explorent une nouvelle approche consistant à développer une I.A capable de développer des logiciels et ainsi apprendre à d’autres I.A.
Chez Google Brain, un dossier (PDF en anglais, 15 pages) explique qu’on a par ce biais développé un système de reconnaissance d’images plus performant que ceux élaborés par des humains. Des résultats similaires ont été notés par d’autres équipes comme celles du MIT, de l’Université de Berkeley, de l’institut OpenAI ou encore chez DeepMind.
Ainsi, nous assistons à l’émergence du learning machine automatisé dont les promesses sont nombreuses. Les experts en I.A sont très demandés, à tel point qu’ils ne sont plus assez nombreux. Avec ce nouveau système, ce problème logistique sera donc sûrement réglé. En définitive, le learning machine automatisé permettra de mener à bien les projets entrepris d’une manière plus rapide.
Selon un document publié par DeepMind fin 2016 (PDF en anglais, 17 pages), les I.A entraînées par d’autres I.A apprennent mieux et plus rapidement que celles mises au point par les humains. Moins de données à apporter, système automatisé, les chercheurs sont plutôt conquis.
Cependant, il en existe bien un défaut : la puissance de calcul nécessaire. Les chercheurs de Google Brain ont déclaré que pour obtenir de bons résultats, ils ont été contraints de mettre au point un système neuronal composé de 800 cartes graphiques surpuissantes.
Ainsi, la question du financement se pose logiquement. Quelle est la solution la plus rentable ? Investir dans des réseaux très onéreux et atteindre la perfection ou faire avec les moyens du bord et mobiliser les rares chercheurs experts en la matière et obtenir quasiment d’aussi bons résultats en prenant plus de temps ?
