Les promesses éthiques de l’IA… Liquide !

Les promesses éthiques de l’IA… Liquide !

En fin d’année 2020, des chercheurs du MIT, dont Ramin Hasani, ont développé un nouveau type de réseau neuronal. Basés sur des algorithmes flexibles, dits liquides, ces réseaux apprennent même en dehors de leur phase de formation. Ils s’adaptent en permanence aux nouvelles entrées de données. Ils apprennent sur le tas !

« Le modèle lui-même est plus riche en termes d’expressivité ». Dr. Ramin Hasani

Boeing, la National Science Foundation, le Austrian Science Fund et Electronic Components and Systems for European Leadership ont financé en partie cette recherche du Massachusetts Institute of Technology (MIT) concernant l’IA liquide. Ramin Hasani en est l’auteur principal. Ces collaborateurs sont Mathias Lechner, Alexander Amini, Daniela Rus et Radu Grosu. Ils publient ensemble cette thèse intitulée Liquid Time-constant Networks proposant un nouveau modèle de réseau neuronal en IA.

Ce nouveau modèle semble permettre une dimension éthique d’emblée plus acceptable. Ce serait dû à sa plus grande flexibilité. Grâce à elle, les algorithmes seraient moins à risque d’impénétrabilité comme dans les cas de boîte noire des algorithmes. De plus, cette intelligence artificielle liquide pourrait facilement éviter les obstacles rencontrés dans les systèmes de prises de décisions autonomes. Par exemple, une voiture autonome pourrait mieux interpréter un nuage passager, une pluie abondante ou tout autre intempérie inattendue.

LIQUIDE PAR SON RAPPORT AU TEMPS

Les chercheurs ont introduit une nouvelle classe de modèles de réseaux neuronaux. Ces réseaux sont à la fois continus dans le temps et récurrents: Liquid Time-constant Recurrent (LTR) neural networks. Or, ce sont également des systèmes dynamiques. Mais à la différence des précédents modèles développés en IA, ceux-ci sont dynamiques en étant modulés par des éléments temporels non linéaires.

Autrement dit, la constante de temps n’est pas fixe. La constante de temps est liquide. Elle est liée au caractère non linéaire du mode de transmission des synapses. Donc, l‘intelligence artificielle est dite liquide par son autre rapport au temps.

UN APPRENTISSAGE QUALITATIF

Sans entrer dans trop de complexité, on peut examiner ce que le caractère liquide de l’IA change au niveau de l’apprentissage machine. 

En général, lors d’un apprentissage machine, un nombre maximum de données enrichit la capacité de produire des inférences. Plus un système possède de données numériques et plus il sera habile et efficace pour prendre des décisions. Les bonnes décisions sont récompensées. Les mauvais choix sont corrigés. 

Or, le nouveau modèle d’apprentissage, proposé par l’équipe du Dr. Hasani, semble aller plus loin. Les algorithmes liquides apprennent, eux-mêmes, à adapter les paramètres de succès. Le système de récompense est différent. Il est évolutif. Il n’est pas inscrit dans une durée mais dans un rapport au temps non linéaire. L’algorithme modifie, lui-même, les paramètres selon les nouvelles informations. 

L’algorithme ne se construit plus uniquement sur des données de formation. Il va plus loin. L’algorithme liquide intègre des données de séries temporelles. Ces informations ne sont pas statiques, comme dans les modèles précédents, mais dynamiques. Il peut s’agir de séquences complètes plutôt que de tranches isolées. 

Alors, les algorithmes ne procèdent plus strictement avec le quantitatif mais aussi avec le qualitatif. La donnée fine, ou minimale, est plus utile dans ce type d’apprentissage.

UNE IA PLUS FLUIDE ET PLUS ROBUSTE

L’apprentissage machine liquide est plus fluide car il change ses cadres de référence de façon continue. Après leur phase d’entraînement, les algorithmes sont habituellement corrigés pour de bon. Or, dans le modèle proposé par le Dr. Hasani, les algorithmes dépassent cette phase. Ils s’adaptent aux changements en analysant les données entrantes. Plus que de se corriger, ils se modifient au fil du temps.

Ces algorithmes deviennent alors plus résistants aux changements. Ils sont plus robustes. Ils sont ainsi beaucoup plus habiles dans l’analyse des données inattendues. C’est la raison pour laquelle ces systèmes seraient en mesure d’optimiser les techniques de voitures autonomes. Par exemple, les caméras ne seraient plus inaptes dans les cas de pluies abondantes. 

UNE IA PLUS SCRUTABLE (SRUTABILITY)

« Il est plus facile de scruter la boîte noire de la prise de décision du réseau ». Dr. Ramin Hasani

Dr. Hasani propose un système permettant de contourner l’impénétrabilité de certains réseaux. Le chercheur explique qu’il suffit alors de changer la représentation d’un neurone. Par exemple, en proposant des équations différentielles, le système atteint un plus haut degré de complexité. Mais il s’agit d’une complexité synthétique qui vient d’un petit nombre de neurones hautement expressifs.

Ce plus haut degré de précision permettrait de mieux comprendre les processus de prises de décisions autonomes. Il serait plus facile, avec une IA liquide, de comprendre pourquoi tel algorithme a produit telle caractérisation.

CONCLUSION

L’équipe de recherche prévoit d’examiner les meilleures options dans le développement d’applications de l’IA liquide. Les domaines concernés par la prise de décision autonome, les diagnostics médicaux ou encore les services de renseignements pourraient bénificier de ce modèle, selon l’équipe.

Par ailleurs, c’est un modèle moins coûteux car il repose sur moins de calculs. Il demande également, moins de données numériques.

« Il s’agit d’une voie à suivre pour l’avenir du contrôle des robots, du traitement du langage naturel, du traitement vidéo ». Dr. Ramin Hasani

« C’est un chemin à suivre pour toute forme de traitement des données par série de temps », précise Dr. Ramin Hasani. « Le potentiel est vraiment important. »

D’un point de vue éthique, on peut voir comment l’IA liquide semble permettre plus de clarté et par la même occasion d’interprétabilité. En interprétant mieux les algorithmes on peut résoudre les problèmes de boîte noire des systèmes intelligents.

D’autre part, dans les enjeux de prises de décisions autonomes, l’IA liquide semble apporter une analyse plus fine des cas inattendus. Ce modèle résout donc des problèmes au niveau de la caractérisation. Il permet de mieux expliquer les processus d’identification.

Suivons cet IA liquide et voyons si elle tiendra ses bonnes promesses!

BIBLIOGRAPHIE

Ackerman, Daniel; “Liquid” machine-learning system adapts to changing conditions, MIT News, Massachusetts Institute of Technology, janvier 2021.

Etherington, Darrell; MIT researchers develop a new ‘liquid’ neural network that’s better at adapting to new info, TechCrunch, janvier 2021.

Hasani, Ramin , Lechner, Mathias, Amini, Alexander, Rus, Daniela, Grosu, Radu; Liquid Time-constant Networks, décembre 2020.

Macaulay, Thomas; MIT’s new ‘liquid’ AI could help robots adapt to changing conditions, Thenextweb, janvier 2021.

Techtimes; New ‘Liquid’ AI Continually Learns through Experience Just Like the Human Brain, février 2021.