Une IA véritablement autonome est à l’horizon

Des chercheurs ont développé un nouvel algorithme d’intelligence artificielle, appelé Torque Clustering, qui se rapproche beaucoup plus de l’intelligence naturelle que les méthodes actuelles. Il améliore considérablement la manière dont les systèmes d’IA apprennent et découvrent des modèles dans les données de manière indépendante, sans intervention humaine.

Le Torque Clustering peut analyser de manière efficace et autonome de vastes quantités de données dans des domaines tels que la biologie, la chimie, l'astronomie, la psychologie, la finance et la médecine, révélant de nouvelles perspectives telles que la détection de modèles de maladies, la découverte de fraudes ou la compréhension du comportement.

« Dans la nature, les animaux apprennent en observant, en explorant et en interagissant avec leur environnement, sans instructions explicites. La prochaine vague d'IA, l'apprentissage non supervisé, vise à imiter cette approche », a déclaré le professeur émérite CT Lin de l'Université de technologie de Sydney (UTS).

« Presque toutes les technologies d'IA actuelles reposent sur l'apprentissage supervisé, une méthode de formation de l'IA qui nécessite que de grandes quantités de données soient étiquetées par un humain à l'aide de catégories ou de valeurs prédéfinies, afin que l'IA puisse faire des prédictions et voir les relations.

« L’apprentissage supervisé présente un certain nombre de limites. L’étiquetage des données est coûteux, prend du temps et est souvent peu pratique pour les tâches complexes ou à grande échelle. L’apprentissage non supervisé, en revanche, fonctionne sans données étiquetées, révélant les structures et les modèles inhérents aux ensembles de données. »

Un article détaillant la méthode de clustering de couple, clustering autonome par recherche rapide de pics de masse et de distance , vient d'être publié dans IEEE Transactions on Pattern Analysis and Machine Intelligence , une revue de premier plan dans le domaine de l'intelligence artificielle.

L'algorithme Torque Clustering surpasse les méthodes d'apprentissage non supervisées traditionnelles, offrant ainsi un changement de paradigme potentiel. Il est entièrement autonome, sans paramètre et peut traiter de grands ensembles de données avec une efficacité de calcul exceptionnelle.

Elle a été rigoureusement testée sur 1 000 ensembles de données différents, atteignant un score moyen d'information mutuelle ajustée (AMI) - une mesure des résultats de regroupement - de 97,7 %. En comparaison, d'autres méthodes de pointe n'atteignent que des scores de l'ordre de 80 %.

« Ce qui distingue le Torque Clustering est son fondement dans le concept physique de couple, lui permettant d'identifier les clusters de manière autonome et de s'adapter de manière transparente à divers types de données, avec des formes, des densités et des degrés de bruit variables », a déclaré le premier auteur, le Dr Jie Yang.

« Elle s’inspire de l’équilibre des forces gravitationnelles lors de la fusion des galaxies. Elle repose sur deux propriétés naturelles de l’univers : la masse et la distance. Ce lien avec la physique ajoute une dimension fondamentale à la méthode."

« Le prix Nobel de physique de l’année dernière a été décerné pour des découvertes fondamentales qui permettent l’apprentissage automatique supervisé avec des réseaux neuronaux artificiels. L’apprentissage automatique non supervisé, inspiré par le principe du couple, a le potentiel d’avoir un impact similaire », a déclaré le Dr Yang.

Le Torque Clustering pourrait soutenir le développement de l'intelligence artificielle en général, notamment dans la robotique et les systèmes autonomes, en contribuant à optimiser le mouvement, le contrôle et la prise de décision. Il devrait redéfinir le paysage de l'apprentissage non supervisé, ouvrant la voie à une IA véritablement autonome. Le code open source a été mis à la disposition des chercheurs.

https://www.uts.edu.au/news/tech-design/truly-autonomous-ai-horizon