Fini le temps où l’IA apprenait le langage avec des instructions rigides avec l’innovation de l’OIST. L’apprentissage du langage par l’IA, motivés par la curiosité, fait progresser les robots virtuels deux fois plus vite qu’avec les méthodes classiques.
Imaginez des machines qui apprennent avec curiosité tels que des gamins qui explorent le monde. C’est exactement ce qu’a fait une équipe de l’Okinawa Institute of Science and Technology (OIST). Plutôt que de suivre des instructions toutes faites, ces robots virtuels reçoivent une récompense quand ils explorent des situations bizarres ou inattendues. Selon l’étude publiée par les chercheurs, cette approche modifie le comportement des algorithmes face aux situations inhabituelles.
Alors, comment la curiosité accélère-t-elle la progression des robots virtuels ?
D’après l’étude, cela réduit le temps d’apprentissage de moitié. Pour y arriver, les chercheurs ont utilisé un réseau de neurones différent, baptisé PV-RNN. Les scientifiques indiquent que le robot reçoit une récompense quand il réussit une tâche. Il bénéficie aussi d’un bonus quand il s’aventure dans des scénarios inhabituels.
Avec ce double système, l’algorithme arrive à trouver les meilleures solutions efficacement lorsque l’intelligence artificielle entraîne enfin les robots. Et ce n’est pas tout : Theodore Tinker, le premier auteur de l’étude indique dans le rapport officiel que les robots ont fini par se comporter comme s’ils jouaient. Même après avoir terminé leur tâche, les agents continuaient à renverser des objets, juste pour voir.
Un environnement riche, clé de la généralisation linguistique
La curiosité ne suffit cependant pas. Pour qu’elle fonctionne, il faut que les robots baignent dans un environnement linguistique bien fourni. Selon les chiffres publiés dans l’étude, avec 180 combinaisons de langage, les robots atteignent un taux de généralisation de 85 %. Cependant avec seulement 48 combinaisons, le taux baisse à 25 %. Ainsi, plus le vocabulaire est varié, mieux ils comprennent des instructions qu’ils ne connaissent pas.
Ces résultats éclairent même un vieux débat en linguistique, comme la fameuse « pauvreté du stimulus » de Noam Chomsky. Pour gérer ce volume de données, il faut quand même une infrastructure IA costaude. Jun Tani, le chef de l’unité, explique que cet environnement abstrait est parfait pour observer comment le langage se construit.
Pourquoi les robots se trompent-ils avant de maîtriser les exceptions ?
L’étude montre que les robots commencent par généraliser les règles, avant d’apprendre les exceptions. Pour le prouver, les chercheurs ont inversé le sens des tâches. Les performances des robots virtuels ont d’abord chuté avant de remonter une fois que l’exception a été intégrée. Ce schéma rappelle la courbe d’apprentissage en U des jeunes enfants en cours d’apprentissage. Un enfant dira d’abord « il a prendu » avant de dire « il a pris ». Il applique la règle générale, puis corrige son erreur après avoir mémorisé les règles des verbes irréguliers. L’apprentissage du langage par l’IA suit aussi le même scénario. Analyser ces erreurs, selon les chercheurs, permet de construire des modèles de langage plus fiables.
Fini la boîte noire : on voit tout ce qui se passe dans la tête du robot
Contrairement aux gros modèles de langage classiques, le PV-RNN offre une transparence totale. Les scientifiques peuvent observer en temps réel comment le robot prend ses décisions, comment il met à jour ses connaissances face à une nouveauté. Pas de boîte noire, pas de suppositions : tout est visible. Pour les auteurs, cette clarté est une mine d’or pour comprendre comment les humains apprennent vraiment le vocabulaire.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !
