IA : Uber parie sur l’approche alternative de Geometric Intelligence

En jouant l’alternative au deep learning pour la construction de modèles d’IA, Geometric Intelligence a séduit Uber.

La société connue pour sa plate-forme d’intermédiation dans le domaine du transport de particuliers a mis la main sur cette start-up dont l’effectif d’une quinzaine de personnes va former le noyau d’une nouvelle division « AI Labs » basée à San Francisco.

À l’origine de Geometric Intelligence, il y a Gary Marcus.

Le MIT avait, fin 2015, dressé le portrait de ce quarantenaire, professeur de psychologie à l’université de New York et persuadé que l’étude des mécanismes d’apprentissage propres aux enfants peut permettre de faire un bond en avant dans le développement de systèmes d’intelligence artificielle.

Dans les grandes lignes, Gary Marcus estime que le deep learning, fondé sur une reproduction des réseaux neuronaux du cerveau humain, produit effectivement des résultats, mais nécessite d’injecter d’énormes quantités de données, tout particulièrement pour entraîner des robots parmi lesquels on peut classer les véhicules autonomes.

L’intéressé a déterminé que les enfants ne fonctionnaient pas de cette manière : ils apprennent par la déduction, en passant du particulier au général ou, selon ses termes, en « extrapolant » à partir d’un nombre limité d’informations.

Au-delà des règles, c’est la dimension empirique qui entre en ligne de compte. Ou comment les expériences jouent un rôle fondamental dans la conception du monde… et de ses exceptions, que le deep learning a parfois du mal à appréhender.

En guise d’exemple, le MIT évoque la question des oiseaux. Une intelligence artificielle « classique » aura tendance, sauf à être alimentée par suffisamment de données, à considérer que tous les membres de cette famille peuvent voler. Comprendre que ce n’est pas le cas pour certaines espèces comme les pingouins sera une autre paire de manches. Et que dire d’un oiseau enfermé dans une cage ou d’un autre blessé ?

Geometric Intelligence veut précisément tenter de se rapprocher des modèles d’apprentissage humain dans l’optique d’accélérer le développement des IA.

Le fait que ses méthodes soient dites « compatibles avec le deep learning » a sans doute donné d’autant plus d’attrait à la jeune pousse, dont Uber pourrait exploiter les technologies pour affiner le choix des itinéraires de ses chauffeurs, améliorer le calcul des horaires d’arrivée… ou encore réduire la durée d’entraînement de ses voitures autonomes.