L'apprentissage profond et le cerveau humain

Le deep learning est un sous-ensemble de l'apprentissage automatique qui simule le cerveau humain en absorbant de grandes quantités de données et en essayant d'en tirer des leçons. Dans la définition du terme donnée par IBM, l'apprentissage profond permet aux systèmes de « regrouper des données et de faire des prédictions avec une précision incroyable. Cependant, aussi incroyable que soit l'apprentissage profond, IBM souligne clairement qu'il ne peut pas exploiter la capacité du cerveau humain à traiter et à apprendre des informations ». .

Le deep learning et les DNN (réseaux de neurones profonds) sont appliqués pour résoudre des problèmes complexes du monde réel tels que les prévisions météorologiques, la reconnaissance faciale et les chatbots, ainsi que pour effectuer d'autres types d'analyses de données complexes. Allied Market Research a déclaré que d'ici 2030, le marché mondial de l'apprentissage profond passera de 6,85 milliards de dollars en 2020 à près de 180 milliards de dollars. Une autre étude d'Allied Market Research a révélé que le marché mondial des réseaux neuronaux devrait atteindre près de 153 milliards de dollars d'ici 2030, tiré par la croissance dans le domaine de l'intelligence artificielle et la demande croissante de données et d'outils d'analyse avancés.

Une meilleure compréhension de l’apprentissage profond bénéficiera aux futures applications de l’intelligence artificielle et des technologies dérivées de l’apprentissage automatique, notamment les véhicules entièrement autonomes et les assistants virtuels de nouvelle génération. À l’avenir, l’apprentissage profond pourrait évoluer vers un apprentissage non supervisé et fournir davantage d’informations sur le fonctionnement du cerveau humain. C’est cette deuxième quête qui a conduit des chercheurs de l’Université de Glasgow à étudier la similitude des DNN avec le cerveau humain. Selon l’Université de Glasgow, la compréhension actuelle de la technologie DNN est relativement limitée et personne ne comprend pleinement la manière dont les réseaux neuronaux traitent les informations en profondeur.

Pour approfondir davantage la compréhension de la communauté scientifique, dans l'ouvrage récemment publié « Équivalence algorithmique entre le cerveau et son modèle DNN », les chercheurs ont proposé et testé une méthode pour comprendre comment les modèles d'intelligence artificielle traitent l'information par rapport à la méthode de traitement du cerveau par les humains. comparaison. L’objectif est de déterminer si les modèles DNN utilisent des étapes de calcul similaires pour reconnaître des éléments comme le cerveau humain. Ce travail identifie les similitudes et les différences entre les modèles d'intelligence artificielle et le cerveau humain, franchissant ainsi une étape vers la création d'une technologie d'intelligence artificielle qui traite les informations aussi près que possible du cerveau humain.

Philippe Schyns, responsable de la recherche technologique à l'Université de Glasgow, a déclaré : « Une meilleure compréhension de la question de savoir si le cerveau humain et ses modèles DNN reconnaissent les choses de la même manière permettra des applications plus précises dans le monde réel utilisant les DNN If As. nous acquérons une compréhension plus approfondie des mécanismes de reconnaissance dans le cerveau humain, nous pouvons transférer ces connaissances dans les DNN, ce qui contribuera à son tour à améliorer la façon dont les DNN sont utilisés dans des applications telles que la reconnaissance faciale, qui ne sont actuellement pas toujours précises »

.

Si l'objectif est de créer le processus de prise de décision le plus humain possible, alors la technologie doit être capable de traiter les informations et de prendre des décisions au moins aussi bien que les humains, idéalement mieux que les humains. À la fin de l'article publié, l'auteur énumère une série de questions en suspens basées sur la recherche, notamment : « Comment les DNN prédisent-ils la diversité des comportements décisionnels humains ? C'est également une question qui mérite d'être étudiée, car tout le monde n'y est pas confronté ? la même situation. Toutes les contributions prendront la même décision – et de quelle manière un modèle d’IA plus humain prendrait-il en compte cette diversité ?

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!