Les points saillants de l'article seront présentés à NeurIPS 2021 (Conférence sur les systèmes de traitement de l'information neuronale), illustrant les améliorations apportées à la précision des modèles d'IA.
L'avènement des réseaux neuronaux profonds (DNN) ces dernières années a contribué à l'essor d'un nombre croissant d'applications concrètes pour l'IA et l'apprentissage automatique, notamment pour des tâches telles que la détection de défauts dans l'industrie manufacturière et l'imagerie diagnostique en médecine. Bien que ces modèles d'IA puissent parfois atteindre, voire dépasser, les performances humaines, des défis persistent. En effet, la précision de la reconnaissance tend à se dégrader lorsque les conditions environnementales, comme l'éclairage et la perspective, diffèrent sensiblement de celles des jeux de données utilisés lors de l'entraînement. Pour pallier ce problème, des chercheurs de Fujitsu et du CBMM ont conjointement approfondi la compréhension des principes de l'IA permettant une reconnaissance très précise des données orientées objet (OOD). Pour ce faire, ils ont divisé le DNN en modules – tels que la forme et la couleur, entre autres attributs – en adoptant une approche originale inspirée des caractéristiques cognitives et de la structure cérébrale humaines. Un modèle d'IA utilisant ce processus a été jugé le plus précis lors d'une évaluation mesurant la précision de la reconnaissance d'images par rapport au benchmark « CLEVR-CoGenT », comme le démontre l'article présenté par l'équipe à NeurIPS.
Le Dr Seishi Okamoto, chercheur chez Fujitsu Limited, a déclaré : « Depuis 2019, Fujitsu collabore avec le CBMM du MIT afin d’approfondir notre compréhension de la manière dont le cerveau humain synthétise l’information pour générer un comportement intelligent. Nous cherchons à concrétiser cette intelligence sous la forme d’une IA et à exploiter ces connaissances pour contribuer à la résolution des problèmes rencontrés par divers secteurs et la société dans son ensemble. Cette avancée représente une étape importante pour le développement futur de l’IA, offrant potentiellement un nouvel outil pour l’entraînement de modèles capables de s’adapter à différentes situations et de reconnaître avec une grande précision des données, même inédites et très différentes des données d’entraînement initiales. Nous sommes impatients de découvrir les formidables applications concrètes que cela ouvre. ».
Le Dr Tomaso Poggio, professeur Eugene McDermott au département des sciences du cerveau et des sciences cognitives du MIT et directeur du Centre pour le cerveau, l'esprit et les machines, a souligné : « Il existe un écart important entre les réseaux neuronaux numériques (DNN) et les humains lorsqu'ils sont évalués hors des conditions de distribution habituelles, ce qui compromet sérieusement les applications de l'IA, notamment en termes de sécurité et d'équité. La recherche inspirée par les neurosciences peut mener à de nouvelles technologies capables de surmonter les biais des ensembles de données. Les résultats obtenus jusqu'à présent dans ce programme de recherche constituent un pas important dans cette direction. » Parmi les applications futures potentielles, on peut citer l'IA pour la surveillance du trafic, capable de s'adapter aux changements des conditions d'observation, et l'IA pour le diagnostic d'images médicales, capable de reconnaître avec précision différents types de blessures.
À propos de la nouvelle méthode
Les résultats de cette recherche soulignent la capacité du cerveau humain à capturer et à classifier avec précision les informations visuelles, même en présence de différences de formes et de couleurs entre les objets perçus. La nouvelle méthode calcule un indice unique basé sur la perception d'un objet par les neurones et la classification des images d'entrée par le réseau de neurones profond (DNN). Le modèle encourage l'augmentation de cet indice afin d'améliorer la reconnaissance des images orientées objet (OOD). Jusqu'à présent, on supposait que la meilleure méthode pour créer un modèle d'IA à haute précision de reconnaissance consistait à entraîner le DNN comme un module unique. Cependant, en divisant le DNN en modules distincts selon les formes, les couleurs et d'autres attributs des objets, et en utilisant le nouvel indice développé, les chercheurs de Fujitsu et du CBMM ont obtenu une précision de reconnaissance accrue.
Projets futurs
Fujitsu et CBMM espèrent affiner davantage les résultats afin de développer une IA capable de porter des jugements flexibles et semblables à ceux des humains, dans le but de l'appliquer dans divers domaines tels que la fabrication et les soins de santé.
