Lorsqu’il s’agit de résoudre des problèmes, l’intelligence artificielle recourt souvent aux réseaux de neurones pour traiter des données et prendre des décisions d’une manière qui imite le fonctionnement du cerveau humain.
Dans ses recherches récentes, le Professeur Assistant Sadamori Kojaku de l’Université de Binghamton remet en question une hypothèse fondamentale au sein des cercles de l’IA : celle selon laquelle des réseaux de neurones plus complexes sont toujours meilleurs.
Son article, publié dans Nature Communications, démontre que des réseaux de neurones simples peuvent identifier des communautés au sein de réseaux complexes avec une optimalité théorique, remettant ainsi en cause l’idée répandue que des modèles plus complexes surpassent toujours les plus simples.
« Ce que nous avons découvert, c’est que l’entraînement est crucial, et non pas l’architecture de programmation elle-même », a déclaré Kojaku, qui a rejoint le corps professoral de la Thomas J. Watson College of Engineering and Applied Science’s School of Systems Science and Industrial Engineering à l’automne 2023.
« Il existe de nombreuses manières d’enseigner un réseau de neurones, mais nous avons constaté que la meilleure méthode d’enseignement est l’apprentissage contrastif, qui consiste à présenter des données réelles et des données fictives afin que le réseau de neurones soit formé à les distinguer. Cet entraînement simple permet d’atteindre des performances optimales. »
Comprendre le fonctionnement des IA est essentiel pour instaurer la confiance lorsque celles-ci prennent des décisions dans des domaines critiques tels que la santé ou les réseaux électriques.
Actuellement, le chemin exact emprunté par les IA pour parvenir à leurs conclusions est souvent considéré comme une “boîte noire”. Les données d’entrée mènent à un résultat, mais le processus entre ces deux éléments demeure mystérieux.
« Notre travail déboîte les réseaux de neurones et tente alors d’interpréter leur fonctionnement pour garantir que ce réseau opère de manière optimale pour une tâche spécifique », a ajouté Kojaku. « C’est notre premier travail qui s’attaque à cette boîte noire. »
Les professeurs Filippo Radicchi, Yong-Yeol Ahn et Santo Fortunato de l’Université de l’Indiana, qui ont également contribué à cet article, ont collaboré avec Kojaku, qui a été chercheur postdoctoral après avoir obtenu son doctorat à l’Université de Hokkaido au Japon.
La publication de cette recherche dans Nature Communications, journal scientifique en ligne reconnu, a nécessité à Kojaku pas moins de 18 mois de révisions à la suite des retours des évaluateurs.
« Grâce à cette expérience, j’ai appris qu’il est parfois très efficace d’être obstiné lorsque je crois qu’il est important de défendre une idée », a-t-il indiqué. « Un professeur nous avait dit lors de nos études que l’idée est comme un bébé, il faut défendre cette idée. »
Les intérêts de Kojaku s’étendent au-delà de l’IA et des réseaux de neurones, englobant également des réseaux complexes comme les réseaux sociaux, les réseaux de transport, les réseaux financiers et d’autres communautés densément connectées.
La structure d’une communauté influence les dynamiques d’un réseau, comme par exemple la propagation des rumeurs ou l’impact d’un événement sur l’économie. Ce principe est applicable dans sa recherche sur la « science de la science », où il explore comment les découvertes circulent parmi les scientifiques et mènent à des avancées technologiques ou à de nouvelles branches de recherche. De nombreuses idées se propagent d’une manière peu scientifique, par le biais de contacts personnels lors de conférences ou en suivant la hiérarchie de prestige des meilleures universités.
« La société n’est pas juste un ensemble d’individus, mais un ensemble d’individus interagissant entre eux, et cette interaction engendre de nombreux phénomènes intéressants », a-t-il déclaré. « Je m’intéresse à la manière dont l’innovation se produit, comment les découvertes scientifiques émergent des interactions humaines et les facteurs environnementaux qui favorisent l’innovation. »
Points à retenir
- L’intelligence artificielle utilise des réseaux de neurones pour résoudre des problèmes complexes.
- Des réseaux de neurones simples peuvent être efficaces pour identifier des communautés au sein de structures complexes.
- L’apprentissage contrastif s’est révélé être une méthode d’entraînement performante.
- Le travail de Kojaku vise à rendre le fonctionnement des IA plus transparent et compréhensible.
- La structure des communautés influence la dynamique des réseaux, comme la propagation de rumeurs ou l’innovation.
Dans un monde où l’IA joue un rôle croissant, la discussion sur la simplicité contre la complexité dans les modèles de réseau de neurones est cruciale. Cela soulève des questions sur comment nous pouvons mieux comprendre et faire confiance aux décisions prises par ces systèmes, en particulier lorsqu’ils interviennent dans des domaines sensibles. Cela nous invite à réfléchir sur l’équilibre entre performance et transparence dans l’innovation technologique.
- Source image(s) : www.binghamton.edu
- Source : https://www.binghamton.edu/news/story/5311/when-building-artificial-intelligence-is-simpler-better-new-research-at-binghamton-challenges-assumptions
Nos rédacteurs utilisent l'IA pour les aider à proposer des articles frais de sources fiables à nos utilisateurs. Si vous trouvez une image ou un contenu inapproprié, veuillez nous contacter via le formulaire DMCA et nous le retirerons rapidement. / Our editors use AI to help them offer our readers fresh articles from reliable sources. If you find an image or content inappropriate, please contact us via the DMCA form and we'll remove it promptly.