Dans la quête de concevoir une intelligence artificielle (IA) capable de « penser » de manière plus humaine, des chercheurs ont mis au point un nouvel algorithme d’apprentissage automatique nommé Torque Clustering, qui permet de découvrir des modèles dans les données sans intervention humaine.
Ce nouvel algorithme est capable d’analyser de grandes quantités de données de manière autonome et efficace.
Il pourrait avoir des applications dans la détection de modèles de maladies, la lutte contre la fraude ou la compréhension des comportements dans des domaines tels que la médecine, la finance ou la psychologie. Le code open-source a été mis à disposition des chercheurs.
Chin-Teng Lin, professeur émérite à l’Université de Technologie de Sydney (UTS) en Australie et co-auteur d’un article sur cette méthode, explique que presque toutes les technologies d’intelligence artificielle actuelles reposent sur l’apprentissage supervisé.
« Cette méthode d’entraînement de l’IA nécessite que de grandes quantités de données soient étiquetées par un humain selon des catégories ou valeurs prédéfinies, afin que l’IA puisse faire des prédictions et identifier des relations », souligne-t-il.
Cependant, l’apprentissage supervisé présente plusieurs limitations.
« Étiqueter des données est coûteux, chronophage et souvent impraticable pour des tâches complexes ou à grande échelle », précise Lin.
À l’inverse, l’apprentissage non supervisé fonctionne avec des données non étiquetées.
« Dans la nature, les animaux apprennent en observant, explorant et interagissant avec leur environnement, sans instructions explicites », indique Lin.
« La prochaine vague d’IA, l’apprentissage non supervisé, vise à imiter cette approche. »
Le clustering est une technique courante utilisée dans de nombreux domaines scientifiques, qui consiste à regrouper un ensemble d’objets. Les objets au sein d’un même groupe, ou cluster, sont plus similaires entre eux qu’à ceux d’un autre groupe.
Lin et le principal auteur de l’article, le Dr Jie Yang, également de l’UTS, ont constaté que leur méthode Torque Clustering surpasse toutes les autres méthodes de clustering de pointe.
« Ce qui distingue Torque Clustering, c’est son fondement sur le concept physique de couple, lui permettant d’identifier des clusters de manière autonome et de s’adapter sans effort à des types de données variés, avec des formes, des densités et des niveaux de bruit différents », explique Yang.
« Elle a été inspirée par l’équilibre de couple dans les interactions gravitationnelles lors de la fusion des galaxies. Elle repose sur deux propriétés naturelles de l’univers : la masse et la distance. »
Les chercheurs expliquent dans leur article que « Torque Clustering simule le processus de petites fusions de galaxies, de sorte que des clusters de plus grande masse fusionnent continuellement avec des clusters adjacents de plus petite masse. »
Ils suggèrent que Torque Clustering pourrait également soutenir le développement d’une intelligence artificielle générale, notamment dans la robotique et les systèmes autonomes, en aidant à optimiser les mouvements, le contrôle et la prise de décisions.
Cette recherche a été publiée dans la revue IEEE Transactions on Pattern Analysis and Machine Intelligence.
Points à retenir
Nouveauté dans l’apprentissage automatique : L’algorithme Torque Clustering permet une analyse autonome des données, ouvrant la voie à des applications variées.
Remise en question des méthodes actuelles : Les limitations de l’apprentissage supervisé sont mises en lumière, soulignant la nécessité d’approches non supervisées.
Inspiration naturelle : L’algorithme s’inspire des processus naturels, comme la fusion des galaxies, ce qui témoigne d’une approche innovante et multidisciplinaire.
- Applications futures : Torque Clustering pourrait jouer un rôle clé dans le développement de l’intelligence artificielle générale, en améliorant la robotique et les systèmes autonomes.
Cette avancée dans le domaine de l’intelligence artificielle suggère que le développement de machines capables d’apprendre et de s’adapter de manière plus fluide pourrait transformer de nombreux secteurs. Quelle pourrait être l’importance croissante de l’IA non supervisée dans notre quotidien et dans les technologies de demain ?
L’algorithme Torque Clustering semble prometteur, surtout pour des domaines complexes comme la médecine. J’ai hâte de voir comment il pourra transformer notre approche de l’IA!
L’algorithme Torque Clustering est une avancée fascinante. Il pourrait vraiment révolutionner notre compréhension des données et améliorer l’autonomie des machines. Hâte de voir les applications futures !