Le cyberblog du coyote

L’ère où les robots s’améliorent de leur propre chef, sans intervention humaine, semble désormais à portée de main. Une découverte récente dans le domaine de l’intelligence artificielle nous rapproche inexorablement d’un univers digne de Terminator, où les machines évoluent et apprennent de manière autonome. Dès lors, que se produira-t-il lorsque ces entités mécaniques s’imposeront elles-mêmes des tâches à accomplir ? Certains peuvent déjà se réparer d’eux-mêmes ou d’autres, comme l’Optimus Gen2, font preuve d’une habileté tout à fait surprenante ; aucun doute, la robotique avance à pas de géant.

Lire l'article de Camille Coirault sur Presse-Citron

Découvrez les différences entre le Machine Learning et le Deep Learning, deux technologies clés de l'intelligence artificielle moderne.

Lire l'article de Louis-Clément Schiltz sur webotit.ai

L’IA robot CyberRunner crée la sensation en maîtrisant le jeu du labyrinthe en un temps record ! Une révolution ludique et technologique.

Lire l'article sur Gus & Co

Une intelligence artificielle mise au point par Google est parvenue à apprendre une langue étrangère sans l’aide d’un être humain. Le géant de Mountain View ignore encore comment l’IA a réussi à cette prouesse…

Lire l'article de Florian Bayard sur 01Net

Le machine learning a aujourd'hui fait preuve de son efficacité : on peut produire, à partir d'une grande masse d'informations, des Intelligences Artificielles capables de répondre à de nombreux besoins, comme le montrent les progrès en vision par ordinateur ou en traduction automatique ces dernières années. Pour autant, cette technique a des limites, vis-à-vis des secteurs ne disposant pas de suffisamment de données, vis-à-vis de certaines questions éthiques, et vis-à-vis de son explicabilité. Pour pallier ces problèmes dans les applications où le Machine Learning seul n’est pas efficient, les sciences humaines peuvent apporter des solutions et de la précision aux systèmes automatiques. À l'aide de deux exemples concrets, Dominique Vaufreydaz illustre comment les apports des sciences humaines peuvent nourrir et améliorer un programme informatique dédié aux interactions avec les humains.

Lire l'article de Dominique Vaufreydaz sur Interstices

Cassie, un robot bipède développé par Agility Robotics, a appris à marcher tout seul grâce à une nouvelle méthode mise en place par des chercheurs américains. Grâce à la combinaison de l'apprentissage par renforcement et de deux environnements virtuels, le robot a pu s'entraîner à marcher et a réussi à transférer ses acquis dans le monde réel.

Lire l'article d'Edward Back sur Futura

Le deep learning, ou apprentissage profond, n'est qu'une composante de l'intelligence artificielle et du machine learning. Inspiré du réseau de neurones humains, cette technologie s'applique déjà au quotidien dans les logiciels, les réseaux sociaux et bientôt dans les voitures autonomes. À cet effet, les cours de deep learning ou encore de machine learning ou d'intelligence artificielle sont de plus en plus prisés. La plateforme d'apprentissage de cours en ligne d'Udemy propose en effet une série de formations complètes en français sur ces sujets rencontrant beaucoup de succès auprès de l'audience française.

Lire l'article de la rédaction de Futura-Sciences.

DeepMind a enseigné à plusieurs IA à collaborer aussi bien entre elles qu'avec des humains en jouant au célèbre jeu vidéo Quake III Arena grâce à une technique d'apprentissage renforcé.

Lire l'article de Marc Zaffagni sur Futura Sciences

DeepMind, filiale de Google, a fait une nouvelle démonstration des performances de son programme d'intelligence artificielle. AlphaZero, une variante d'AlphaGo qui pratique l'apprentissage par renforcement, n'a mis que quatre heures en partant des règles de base pour vaincre le meilleur programme de jeux d'échecs actuel.
Après avoir démontré l'implacable supériorité de son intelligence artificielle (IA) au jeu de go, DeepMind, filiale de Google, cherche désormais à rendre celle-ci plus généraliste. L'objectif est de créer une IA réussissant à accomplir des tâches complexes dans le monde réel avec un minimum de connaissances a priori. Pour cela, il faut que le programme puisse évoluer de manière autonome sans s'appuyer sur un apprentissage supervisé par des humains.
Il y a peu, DeepMind a fait un pas important dans cette direction avec AlphaGo Zero, une nouvelle version de son programme de jeu de go qui n'a mis que trois jours à vaincre son prédécesseur en pratiquant un apprentissage « tabula rasa » par renforcement (reinforcement learning, en anglais). AlphaGo Zero ne disposait que des règles du jeu et de la position des pierres sur le plateau. Partant de cette base, elle est allée encore un peu plus loin.
Dans un nouvel article scientifique, DeepMind dévoile ainsi AlphaZero, qui reprend le principe de l'apprentissage autodidacte par renforcement dans une approche moins spécialisée. En disposant pour seule base des règles des jeux d'échecs, de go et de shogi (variante japonaise des échecs), cette IA est parvenue à atteindre un « niveau de jeu surhumain » et à battre les meilleurs programmes existant dans ces trois disciplines.

AlphaZero a battu Stockfish en quatre heures

La performance est d'autant plus impressionnante qu'il lui aura fallu moins de vingt-quatre heures pour y parvenir :

• Après huit heures d'entraînement et 21 millions de parties jouées contre lui-même, AlphaZero a battu AlphaGo-Lee, la première IA à avoir dominé un joueur humain.
• Pour les échecs, AlphaZero n'a eu besoin que de quatre heures de pratique et 44 millions de parties pour vaincre Stockfish, l'un des meilleurs moteurs d'échecs actuels.
• Deux heures et 24 millions de parties lui suffirent pour terrasser Elmo, le meilleur programme de shogi.

Cette polyvalence et cette rapidité rapprochent encore un peu plus DeepMind et Google de leur objectif : créer une intelligence artificielle généraliste susceptible de travailler dans des domaines concrets, notamment pour la science et la médecine. Google en retirerait aussi beaucoup d'avantages pour faire évoluer ses propres services. Le prochain grand défi pour DeepMind et sa maison mère sera de pouvoir battre les humains au jeu vidéo StarCraft.

Source : Marc Zaffagni, Futura-Sciences