Apprendre

peuvent nous apprendre ?

Dessin : Pierre Guité. Apprendre des robots par Sylvie Gendreau, La 'nuit blanche' des robots.

Dessin : Pierre Guité. Apprendre des robots par Sylvie Gendreau, La 'nuit blanche' des robots.

Mettez-vous dans la peau d'un robot. Ou plus précisément dans la tête d'un robot. Maintenant que c'est fait, un humain vous demande d'examiner trois dessins : un monocycle, un vélo et une auto. Il vous demande ensuite si vous en saisissez le principe et si vous pouvez identifier d'autres objets qui fonctionnent selon le même principe ou de nouveaux objets qui fonctionneraient selon le même principe.

À quel type de raisonnement, ou pour parler en des termes qui vous sont compréhensibles, à quel type de programme devriez-vous avoir recours pour résoudre ce problème ?

À l'heure actuelle, il n'existe pas de logiciels qui puissent vous tirer d'affaire. Mais des chercheurs américains et canadiens tentent, en ce moment, de développer de nouveaux algorithmes qui pourraient vous aider.

Ils s'attaquent à deux faiblesses intellectuelles des robots :

(1) Le besoin qu'ils ont de devoir examiner de très nombreux exemples d'un concept donné (des dizaines, voir des centaines) pour parvenir à le reconnaître. Pour les humains, à l'inverse, il ne suffit que de quelques exemples.

Par exemple, un individu n'a besoin de voir qu'un seul nouveau véhicule à deux roues (le Segway) pour en comprendre le principe de base. Il ne comprendra pas du premier coup comment cette innovation fonctionne, mais il en saisira immédiatement le concept.

(2) La difficulté que les robots éprouvent à enrichir d'eux-mêmes leurs connaissances à partir d'un nombre restreint d'objets.

Les humains en revanche, en prenant de nouveau l'exemple du Segway, repèreront rapidement d'autres exemples existants de véhicules à deux roues. Ils en concevront même de nouveaux. Ils seront aussi en mesure de déconstruire mentalement le Segway en ses différentes composantes et mettront à profit ces connaissances fraîchement acquises pour concevoir d'autres concepts analogues.

Pour aider les robots à surmonter ces difficultés, les chercheurs tentent de mettre au point de nouveaux algorithmes statistiques. Les fondements logiques sur lesquels reposent ces nouveaux algorithmes sont intéressants pas seulement pour les robots mais aussi pour les humains. Comprendre comment nous réfléchissons (un exercice incontournable pour développer de nouveaux algorithmes) nous aide à mieux réfléchir.   

Ces algorithmes reposent sur trois idées clés :

(1) La compositionnalité. Les concepts, même les plus complexes sont construits à partir d'éléments simples.

(2) La causalité. Il existe un dénominateur commun, un principe causal abstrait qu'il s'agit de repérer. En observant les procédés à l'oeuvre dans ce que nous appelons la réalité, on constate toujours l'existence, pour un ensemble de procédés, d'un principe causal de base.

(3) Apprendre à apprendre. La mécanique de l'apprentissage procède souvent selon une hiérarchie. Une expérience que nous venons de vivre et à partir de laquelle nous avons tiré un concept utile favorise ensuite l'apprentissage de concepts semblables.

Une fois mis au point, ces algorithmes permettraient aux robots de construire eux-mêmes de nouveaux programmes en réutilisant les composantes de programmes existants et de découvrir à la fois les principes de causalité sous-jacents ainsi que des composantes fonctionnelles des objets qu'on leur demande d'analyser.

Sur le plan de la créativité et de l'innovation, nous devrions avoir recours plus systématiquement à ces trois éléments clés pour demeurer à la hauteur de notre réputation. C'est particulièrement vrai à l'époque actuelle où nous sommes appelés à innover comme jamais auparavant pour régler des problèmes complexes.

Le graphique ci-dessous décrit à quoi ressemblerait une séance de brainstorming et de créativité qui tirerait  profit des capacités de notre cerveau à apprendre et à développer de nouveaux concepts.


Références :

Lake, Brenden M. et all. Human-level concept learning through probabilistic program induction. Science 11 December 2015 : Vol. 350, no. 6266 pp. 1332-1338.