Les systèmes d'apprentissage automatique (ML) et d'intelligence artificielle (IA) ont considérablement progressé ces dernières années. Cependant, ils se limitent actuellement à exécuter uniquement les tâches pour lesquelles ils sont spécifiquement conçus et ne peuvent pas s'adapter lorsqu'ils rencontrent des situations en dehors de leur programmation ou de leur formation. Inspiré des systèmes biologiques, le programme LAR (Lifelong Learning Machines) de DARPA vise à développer des approches de ML fondamentalement nouvelles qui permettent aux systèmes de s'adapter continuellement aux nouvelles circonstances sans oublier les apprentissages antérieurs.
 
D'abord annoncé en 2017, le programme L2M de DARPA a sélectionné les équipes de recherche qui travailleront dans ses deux domaines techniques. Le premier domaine technique se concentre sur le développement de systèmes complets et de leurs composants, et le second explorera les mécanismes d'apprentissage dans les organismes biologiques dans le but de les traduire en processus computationnels. Les découvertes dans les deux domaines techniques devraient générer de nouvelles méthodologies qui permettront aux systèmes d'IA d'apprendre et de s'améliorer pendant les tâches, d'appliquer les compétences et les connaissances antérieures à de nouvelles situations, d'incorporer des limites innées et d'améliorer la sécurité dans les tâches automatisées.
 
Les équipes de recherche de L2M concentrent maintenant leurs diverses expertises sur la façon dont un système de calcul peut s'adapter aux nouvelles circonstances en temps réel et sans perdre ses connaissances antérieures. Un groupe, l'équipe de l'Université de Californie, Irvine envisage d'étudier l'architecture de la mémoire double de l'hippocampe et du cortex. L'équipe cherche à créer un système de ML capable de prédire les résultats potentiels en comparant les intrants aux souvenirs existants, ce qui devrait permettre au système de devenir plus adaptable tout en conservant les apprentissages antérieurs. L'équipe de l'Université Tufts étudie un mécanisme de régénération observé chez des animaux comme les salamandres pour créer des robots flexibles capables de modifier leur structure et de fonctionner à la volée pour s'adapter aux changements de leur environnement. Adaptant les méthodes de la reconsolidation de la mémoire biologique, une équipe de l'Université du Wyoming travaillera au développement d'un système de calcul qui utilise le contexte pour identifier les mémoires modulaires appropriées qui peuvent être réassemblées avec de nouvelles données sensorielles pour former rapidement des comportements adaptés aux circonstances nouvelles.
 

Photo: Les systèmes d'apprentissage automatique et d'intelligence artificielle d'aujourd'hui se limitent à exécuter uniquement les tâches pour lesquelles ils sont spécifiquement programmés, sans pouvoir s'adapter à de nouvelles situations en dehors de leur formation. Le programme L2M de DARPA vise à générer de nouvelles méthodologies qui permettront à ces systèmes d'apprendre et de s'améliorer pendant les tâches, d'appliquer les compétences et les connaissances antérieures à de nouvelles situations, d'incorporer des limites intrinsèques et d'améliorer la sécurité dans les tâches automatisées. (credit: DARPA)

Source: DARPA

Commentaires

Pas de commentaire à afficher.

Plus d'info