Les recherches annoncées lors de la conférence AAAI-20 à New York donnent aux systèmes informatiques la capacité de mieux comprendre le langage naturel et d’en tirer des conclusions.
Des chercheurs du MIT-IBM Watson AI Lab, de l’Université de Tulane et de l’Université de l’Illinois ont dévoilé cette semaine des recherches qui permettent à un ordinateur de reproduire plus fidèlement la compréhension de la lecture et l’inférence basées sur l’humain.
Les chercheurs ont créé ce qu’ils ont appelé « une approche neuro-symbolique révolutionnaire » pour infuser des connaissances dans le traitement du langage naturel. Cette approche a été annoncée lors de la conférence AAAI-20 qui se déroule toute la semaine à New York.
Le raisonnement et l’inférence sont au cœur de l’intelligence humaine et artificielle, mais de nombreux systèmes d’IA d’entreprise ont encore du mal à comprendre le langage humain et l’implication textuelle, qui est définie comme la relation entre deux phrases en langage naturel, selon IBM.
Il y a eu deux écoles de pensée ou « camps » depuis le début de l’IA : l’une s’est concentrée sur l’utilisation des réseaux neuronaux/apprentissage en profondeur, qui ont été très efficaces et ont eu beaucoup de succès ces dernières années, a déclaré David Cox, directeur du laboratoire d’IA Watson du MIT-IBM.
Les réseaux neuronaux et l’apprentissage profond ont besoin de données et de puissance de calcul supplémentaire pour prospérer. L’avènement de la numérisation des données a entraîné ce que David Cox a appelé « la révolution des réseaux neuronaux/apprentissage profond ».
L’IA symbolique est l’autre camp et elle adopte le point de vue selon lequel il y a des choses que vous savez sur le monde qui vous entoure en se basant sur la raison, a-t-il dit. Cependant, « toute l’excitation de ces six dernières années à propos de l’IA a porté sur l’apprentissage profond et les réseaux neuronaux », a déclaré David Cox.
Maintenant, « il y a une idée commune selon laquelle, tout comme les réseaux neuronaux ont besoin de quelque chose comme des données et des calculs pour une résurgence, l’IA symbolique a besoin de quelque chose », et les chercheurs ont théorisé que ce dont elle a peut-être besoin, ce sont les réseaux neuronaux, a-t-il dit. Les chercheurs ont eu le sentiment que les deux camps pouvaient se compléter et capitaliser sur leurs forces et faiblesses respectives de manière productive, a déclaré M. Cox.
« Le travail que nous faisons dans le laboratoire d’IA concerne l’IA neuro-symbolique. C’est un mélange des idées de l’IA symbolique et des réseaux neuronaux ».
Le document fournit des exemples de la façon dont les chercheurs commencent à mélanger l’IA symbolique classique avec des idées de réseaux de neurones, a-t-il dit.
Par exemple, un humain saurait que si quelqu’un dit qu’il marche dehors et qu’il est à l’intérieur en train de manger, ces deux affirmations sont contradictoires, a déclaré David Cox.
« Nous trouvons que c’est tellement naturel, mais nous n’avons pas de systèmes d’IA qui peuvent naturellement » faire ces mêmes interprétations. « Cette équipe mélange les réseaux de neurones et l’IA symbolique et utilise un système combiné pour résoudre un problème. »
Dans ce document (1), les chercheurs écrivent qu’ils présentent une approche qui complète les modèles d’implication basés sur le texte, qui sont des tâches fondamentales dans le traitement du langage naturel, avec des informations provenant de sources de connaissances externes.
L’utilisation de connaissances externes aide le modèle à être robuste et améliore la précision des prédictions, ont écrit les chercheurs. Ils ont déclaré avoir constaté « une amélioration absolue de 5 à 20 % par rapport aux multiples modèles d’implication basés sur le texte ».
L’analyse du sentiment est utilisée aujourd’hui, a déclaré David Cox. « Une compréhension relative des textes peu profonds donnera une solution. » Mais si vous lisez un manuel scientifique et que vous essayez ensuite de passer un test, par exemple, vous devez avoir une compréhension profonde de la signification réelle des données du manuel.
L’équipe a constaté que l’infusion de graphes de connaissances, qui sont des représentations de choses connues, avec des réseaux de neurones « était plus puissante que toutes les méthodes qui ont précédé et qui ne reposaient que sur des réseaux de neurones sans graphes de connaissances », a-t-il déclaré. « Cette extraction d’idées était plus efficace ».
David Cox a souligné que les chercheurs en sont aux tout premiers stades de la recherche, mais il estime qu’il s’agit d’une technologie « qui, selon nous, aura un impact sur de nombreuses industries ».
https://www.digitaltrends.com/cool-tech/neuro-symbolic-ai-the-future/
