Intelligence artificielle et apprentissage automatique sont les deux termes les plus chauds dans de nombreuses industries au cours des dernières années. L'avancée technologique la plus récente dans ce domaine est le développement de l'IA qui à son tour crée une IA meilleure que n'importe quelle IA créée par l'homme.
En janvier 2017, Google Brain a démarré développer l'IA logiciel qui peut construire plus d'IA. Plus tard en mai de cette année, les chercheurs ont développé AutoML, un algorithme d'apprentissage automatique capable de créer ses propres IA, réduisant éventuellement la dépendance à l'égard des humains. Plus récemment, ils ont décidé de lancer AutoML avec son plus grand défi à ce jour, à savoir créer un « enfant » qui surpasse tous ses homologues créés par l'homme.
L'équipe de Google Brain a utilisé une approche appelée apprentissage par renforcement pour automatiser la conception de modèles d'apprentissage automatique. AutoML agit comme un réseau de neurones de contrôleur qui peut créer un réseau "enfant" pour exécuter une tâche spécifique.
Pour cet enfant AI particulier, que les chercheurs ont appelé NASNet, sa tâche consistait à reconnaître des objets dans un flux vidéo en temps réel, comme des personnes, des voitures, des feux de circulation, des sacs à main ou des sacs à dos. Ensuite, ses performances seront évaluées par le réseau neuronal du contrôleur d'AutoML, puis réentraîneront l'enfant en lui donnant des commentaires jusqu'à ce qu'il améliore ses performances et accède à une version supérieure de NASNet.
Après avoir subi un processus d'improvisation sans fin, le NASNet a ensuite été soumis à des tests sur les ensembles de données de classification d'images ImageNet et de détection d'objets COCO, tous deux connus comme « les ensembles de données académiques à grande échelle les plus respectés en vision par ordinateur ». Et selon les résultats, NASNet a surpassé tous les autres systèmes de vision par ordinateur.
NASNet a pu prédire 82.7% des images affichées sur l'ensemble de validation d'ImageNet, ce qui est 1.2% de plus que les résultats publiés précédemment, selon les chercheurs. De plus, le système était 4 % plus efficace, avec une précision moyenne (mAP) moyenne de 43.1 %. De plus, une version moins gourmande en calculs de NASNet a surpassé les plates-formes mobiles de 3.1 %.
Les chercheurs de Google ont également reconnu que la version improvisée de NASNet pourrait être utilisée pour de nombreuses applications de vision par ordinateur. En outre, ils disposent de NASNet open source pour l'inférence sur la classification des images et pour la détection d'objets dans les référentiels TensorFlow Slim et Object Detection.
« Nous espérons que l'apprentissage automatique plus large Communautés pourront s'appuyer sur ces modèles pour résoudre une multitude de problèmes de vision par ordinateur que nous n'avons pas encore imaginés », ont écrit les chercheurs dans leur article de blog.
Quelle que soit l'utilité de NASNet et d'AutoML, nous ne savons pas si la société peut suivre les systèmes créés par AutoML. Pour garder les choses sous contrôle, il est très important de mettre en œuvre des réglementations strictes et des normes éthiques renforcées pour empêcher l'utilisation de l'IA à des fins malveillantes. Et divers gouvernements et entreprises se concentrent sur la création d'implications morales et éthiques de l'IA.
