« Rendre les machines intelligentes et améliorer la vie des gens », telle est la mission de Google Brain. Ce programme de recherche de Google AI combine le deep learning et les vastes ressources informatiques de Google.
Dans le but d’imiter l’intelligence humaine, l’équipe de Google Brain multiplie les projets de recherches sur l’IA. Dans cette lancée, elle développe la technologie de deep learning pour en faire profiter les différents produits et services de Google.
Google Brain, qu’est-ce que c’est ?
Littéralement, l’appellation Google Brain comporte le mot anglais qui signifie « cerveau ». Il s’agit en fait d’un programme de recherche dont l’objectif principal est d’imiter de la meilleure façon possible le fonctionnement du cerveau humain. En d’autres termes, c’est une division de Google qui est spécialisée dans la recherche sur l’intelligence artificielle.
Le programme utilise une approche ouverte du machine learning (ML) combinée aux ressources informatiques de Google. L’équipe Google Brain développe des projets basés sur le deep learning (DL) et les réseaux de neurones.
Son histoire
C’est en 2011 que le programme a été lancé. Google Brain est le fruit d’une collaboration entre des chercheurs de Google, Jeffrey Dean et Greg Corrado ainsi que Andrew Ng, professeur de l’université de Stanford. Ce dernier avait un intérêt particulier pour le deep learning dont il faisait des recherches depuis 2006. Sa collaboration avec Dean et Corrado consistait donc à concevoir un logiciel de DL, basé sur le cloud computing de Google.
Après seulement une année, le programme a connu son premier grand succès. Avec 16 000 ordinateurs dotés d’une intelligence artificielle, Google Brain a entrepris de reconnaître un chat à partir de 10 millions d’images provenant de YouTube. Il a réussi cet exploit sans aucune intervention humaine au bout de 3 jours.
En 2013, Andrew Ng quitte la compagnie qui embauche Geoffrey Hinton, un autre chercheur dans le domaine du deep learning. Quelques années plus tard, les chercheurs ont mis au point un système de cryptage que nous développerons plus tard dans cet article.
Approche de la recherche
La mission de Google Brain, partagée pour la première fois en 2016 consiste à « rendre les machines intelligentes » et à « améliorer la vie des gens ». Afin d’achever cette mission, l’équipe aborde la théorie fondamentale et la compréhension du machine learning. Par ailleurs, elle met la recherche au service des produits.
Selon un article publié par Alfred Spector, Peter Norvig et Slav Petrov, Google utilise une approche hybride de la recherche. Il s’agit d’établir un équilibre entre la recherche axée sur la curiosité et celle axée sur les applications.
Google Brain et le machine learning
En matière de machine learning, comme avec toute technologie, l’exploration de nouvelles idées reste le plus grand défi. Aussi, les programmes développés par l’équipe de recherche de Google Brain se concentrent sur le ML de pointe. Par conséquent, en plus de développer leurs propres projets, les chercheurs contribuent à la recherche fondamentale en ML pour faire avancer la science. Et avec une approche d’apprentissage ouverte, ils collaborent avec d’autres institutions. Leurs recherches concernent la perception visuelle et auditive, la compréhension du langage naturel ou encore l’architecture des systèmes et les algorithmes.
Les projets développés par Google Brain
Depuis le lancement du programme, Google Brain a multiplié les projets de recherches. Ils vont d’un système de cryptage conçu par l’IA jusqu’à s’appliquer dans le domaine de la médecine.
Cryptage de données
Martín Abadi et David Andersen, des chercheurs de Google Brain ont programmé une simulation de la communication humaine entre trois IA : Alice, Bob et Eve. Chacune d’elles correspond à un réseau neuronal conçu pour transmettre un message entre elles en le cryptant elle-même. En d’autres termes, Bob devait interpréter correctement les messages d’Alice, sans que Eve ne puisse les intercepter. Au début de l’étude, Eve a commencé par comprendre les messages transmis. Mais à chaque nouvelle tentative, Alice a amélioré son cryptage qui est devenu de plus en plus sécurisé.
Finalement, les cryptages créés par l’IA étaient trop complexes pour être interprétés par les chercheurs. Par conséquent, le projet n’a pas eu de suite malgré son efficacité.
TensorFlow
TensorFlow est une autre création de Google Brain. Il s’agit d’une plateforme open source dédiée au machine learning et au calcul numérique. Elle fournit les ressources nécessaires pour l’exploitation du ML et du DL. Les développeurs peuvent se focaliser sur d’autres détails importants des applications tandis que TensorFlow met en œuvre les algorithmes d’apprentissage. Par ailleurs, Google a créé d’autres outils pour faciliter son déploiement comme un TPU qui accélère les performances Cloud, et bien d’autres.
Google Translate
L’équipe a également joué un rôle dans le développement de Google Translate. Ils ont combiné des réseaux de neurones artificiels avec des bases de données de textes multilingues. Puis, en 2016, ils ont lancé le système Google Neural Machine Translation (GNMT). Il utilise une technologie d’apprentissage de bout en bout qui lui donne la capacité de se former sur un grand nombre d’exemples.
En plus d’un système GNMT multilingue, Google Brain permet également des traductions Zéro-Shot. D’autre part, grâce à ses réseaux neuronaux, Google Translate peut procéder directement à la traduction d’un texte sans passer par une transcription.
ISR et l’apprentissage par renforcement
L’ISR ou Interactive Speaker Recognition est un système qui permet de reconnaître un locuteur à partir d’une liste de locuteurs donnée. Afin d’y parvenir, l’ISR demande au locuteur d’énoncer des mots spécifiques. Ensuite la tâche de reconnaissance devient un problème de prise de décision dont il revient à l’apprentissage par renforcement de le résoudre. Le but de ce projet est de montrer qu’il est possible pour une machine peut avoir d’excellentes performances avec peu de mots d’entrées. D’autre part, dans le contexte d’une formation Text-To-Speech, le modèle peut aussi être configuré pour choisir des segments de phrases. Grâce à ce système, l’ISR empêche les générateurs de signaux vocaux malveillants pour sécuriser les données.
La robotique
Les chercheurs de Google Brain ont également effectué des travaux pour la robotique. Ils consistent à développer des techniques de ML afin de donner aux robots la possibilité d’acquérir de nouvelles compétences par eux-mêmes. Par ailleurs, ces travaux visaient également à permettre aux robots de partager des informations entre eux pour renforcer leur formation. Suite à cette combinaison de l’IA et de la robotique, Google a mis en ligne sa plateforme Cloud Robotics. En utilisant des robots collaboratifs connectés au cloud, l’automatisation robotique est devenue plus efficace.
Google Brain dans différents domaines
En dehors des domaines purement informatiques, les recherches de Google Brain s’étendent également vers d’autres horizons. L’intelligence artificielle étant une technologie qui occupe aujourd’hui une place importante dans la société, elle concerne presque toutes les activités humaines.
Les chercheurs de Brain ont, par exemple, entraîné des modèles de deep learning afin de deviner le contenu des images pixelisées. Pour ce faire, ils ont utilisé différentes couches de réseaux pour comparer des images en haute résolution à des versions pixélisées. De cette manière, les réseaux de neurones artificiels ont appris à discerner les similitudes et les différences entre les éléments tels qu’un visage ou un objet. Un autre réseau propose ensuite des fragments d’images pour remplacer les pixels. Cette méthode, découverte en 2017 a donc permis à Google de présenter des images proches de la réalité à partir des multiples petits carrés.
La médecine est aussi un secteur dans lequel l’intelligence artificielle joue un rôle déterminant. Google Brain dispose d’une énorme capacité pour trier des images. Cette caractéristique lui a permis d’accélérer le diagnostic de certaines maladies comme le cancer du sein. Toutefois, l’IA étroite ne permet pas au réseau de neurones d’effectuer plusieurs tâches. Autrement dit, ce système ne peut identifier qu’une seule maladie à la fois.
Au quotidien
Par ailleurs, en vue de varier ses applications, l’équipe de Google Brain a également lancé le projet Magenta. Le concept vise à explorer des algorithmes pour la création d’art et de musique.
Et enfin, le programme de recherche de Google AI touche également des aspects de notre vie quotidienne tels que la reconnaissance vocale Android, les réponses automatiques dans Gmail, les recommandations de vidéos sur YouTube, etc.
Les controverses liées à Google Brain
En décembre 2020, le spécialiste de l’éthique de l’IA Timnit Gebru a quitté Google. Si la nature exacte de son départ ou de son licenciement fait l’objet de contestations, la cause de ce départ a été son refus de rétracter un article intitulé « On the Dangers of Stochastic Parrots: Can Language Models be Too Big? ».
Cet article explorait les risques potentiels de l’essor de l’IA telle que Google Brain. Les auteurs évoquaient notamment son impact sur l’environnement, la partialité des données d’entraînement et la possibilité de tromper le public. La demande de rétractation de l’article a été faite par Megan Kacholia, vice-présidente de Google Brain.
En avril 2021, près de 7 000 employés de Google, ainsi que des partisans de l’industrie, ont signé une lettre ouverte. Ce dernier accuse Google de pratiquer la « censure des recherches » et condamne le traitement réservé à M. Gebru au sein de l’entreprise.
En février 2021, Google a licencié l’un des responsables de l’équipe d’éthique de l’IA de l’entreprise, Margaret Mitchell. Selon la déclaration de l’entreprise, Margaret Mitchell aurait violé la politique de l’entreprise en utilisant des outils automatisés pour trouver de l’aide pour Gebru. Le même mois, des ingénieurs n’appartenant pas à l’équipe d’éthique ont commencé à démissionner, invoquant le licenciement « injustifié » de Gebru comme raison.
En avril 2021, le cofondateur de Google Brain, Samy Bengio, a annoncé sa démission de l’entreprise. Bien qu’étant le directeur de Gebru, Bengio n’a pas été prévenu avant son licenciement et il a posté en ligne pour elle et Mitchell. Alors que l’annonce de Bengio mettait l’accent sur la croissance personnelle comme raison de son départ, des sources anonymes ont déclaré à Reuters que les troubles au sein de l’équipe d’éthique de l’IA avaient joué un rôle dans sa réflexion.
Comment l’équipe de Google Brain appréhende-t-elle la recherche ?
L’équipe de Google Brain a pour but de rendre les machines intelligentes et d’améliorer la vie des internautes. Pour mener à bien cette mission, la recherche de nouvelles connaissances fondamentales dans le domaine de la machine à apprendre est essentielle. À cette fin, une équipe efficace a été mise en place pour mener des recherches ouvertes et à long terme afin de faire progresser la science.
Cette dernière travaille sur des domaines variés tels que la perception visuelle et auditive, la compréhension du langage naturel. Elle collabore également sur la génération d’art et de musique, l’architecture des systèmes et les algorithmes. En outre, l’équipe de Google Brain a fait appel à des chercheurs d’institutions externes et universitaires. Cette démarche permet d‘améliorer le travail et renforcer le lien avec la communauté scientifique externe. En plus, elle accueille plus de 50 stagiaires chaque année. Cela permet en fait de favoriser le développement de la prochaine génération de scientifiques.
Cette équipe croit en l’importance d’explications claires et compréhensibles des concepts de machine learning moderne. Distill.pub fait office de journal technique en ligne et constitue un forum à cet effet. Quant à TensorFlow Playground, il s’agit d’un lieu d’expérimentation dans le navigateur créé par les experts en visualisation de l’équipe Google Brain. Il a pour but de donner un aperçu de la façon dont les réseaux neuronaux se comportent face à des problèmes simples.
Par ailleurs, deeplearn.js de PAIR constitue une bibliothèque JavaScript open source accélérée par WebGL pour le machine learning. Elle s’exécute entièrement dans votre navigateur, sans installation ni backend.
- Partager l'article :
