De nouveaux outils logiciels numériques pour stimuler l’IA
Les algorithmes d’intelligence artificielle (IA) sont, par essence, des outils informatiques de résolution de problèmes. La base de l’IA et de l’apprentissage automatique (ML) implique souvent la résolution de calculs numériques classiques tels que l’optimisation, l’algèbre linéaire et les équations différentielles. Les chercheurs en IA et en ML se tournent généralement vers les outils logiciels numériques existants, car ils sont largement disponibles. Pourtant, la plupart des algorithmes numériques datent de plusieurs dizaines d’années et ont été conçus dans un but très différent, comme des applications en physique, en économie ou des simulations scientifiques. Ils n’ont pas été développés spécifiquement pour l’IA. Ces algorithmes génériques rassemblés dans de telles collections ont tendance à être inefficaces pour certaines tâches spécifiques, et peuvent même se révéler dangereux lorsqu’ils sont utilisés de manière incorrecte sur des problèmes pour lesquels ils n’ont pas été conçus. Le projet PANAMA, financé par le Conseil européen de la recherche, a conçu un cadre pour la mise à jour des méthodes numériques pour les algorithmes d’IA. Son objectif global était d’actualiser et d’intégrer le calcul numérique de manière plus transparente dans la recherche en IA et, en définitive, de rendre l’IA plus rapide et plus facile à utiliser. «L’un des buts principaux de notre projet PANAMA était d’offrir de meilleures interfaces pour les méthodes d’IA et de ML», explique Philipp Hennig, professeur de méthodes de ML à l’université de Tubingue.
Parallèles en matière de calcul
Une méthode numérique désigne un programme qui utilise des puces informatiques pour estimer la solution d’un problème mathématique en calculant une série de «nombres utiles»: par exemple, les valeurs des termes d’une équation. La méthode utilise ensuite ces nombres pour estimer la solution d’une autre équation. De la même manière, un algorithme de ML estime des quantités inconnues à partir de données, qui sont également une collection de «nombres utiles». Les mesures de la trajectoire d’un objet astronomique, par exemple, peuvent être utilisées pour estimer sa trajectoire future. Il existe donc une étroite similitude sémantique entre le ML et le calcul numérique, car tous deux reposent sur la collecte d’informations sous forme de nombres. Les nouvelles méthodes développées par PANAMA expriment explicitement ces étapes dans le même langage mathématique.
Un nouveau cadre pour le calcul numérique
Le projet a conçu un cadre logiciel permettant de développer des méthodes numériques pour l’IA de manière de plus en plus automatisée. Pour ce faire, l’équipe a fait appel à une technique informatique connue sous le nom de différenciation automatique, un concept mathématique puissant. Le logiciel de PANAMA est disponible en ligne, et l’équipe a créé une série de mises en œuvre pratiques des nouveaux outils. Le projet a également élaboré des routines de faible niveau pour le ML, qui peuvent toutes être directement utilisées par les ingénieurs et les scientifiques. Un autre résultat important est la publication d’un manuel complet, publié par Cambridge University Press et disponible en ligne. «C’est le premier ouvrage traitant directement de l’informatique du point de vue de l’inférence», explique Philipp Hennig.
Améliorer l’IA dans les applications grand public
Les outils de PANAMA pourraient être utilisés par les praticiens de l’IA dans un large éventail de domaines, notamment les neurosciences, la santé publique et les géosciences. Les méthodes trouvent des applications dans la simulation de réseaux neuronaux biologiques, le suivi et le contrôle adaptatif des pandémies et la simulation de processus géologiques complexes à forte incertitude. Les résultats de PANAMA conduiront à des paradigmes plus propres pour l’écriture et la réalisation de systèmes d’IA, les rendant plus puissants, plus efficaces et plus sûrs à l’usage. «Ce type de travaux théoriques ne progresse pas à la vitesse vertigineuse des applications de l’IA, heureusement», ajoute Philipp Hennig. «Mais ils peuvent avoir un effet plus durable à long terme, en rendant les systèmes d’IA plus puissants et plus efficaces, mais aussi plus faciles et plus sûrs à utiliser.»
Mots‑clés
PANAMA, intelligence artificielle, apprentissage automatique, probabiliste, applications, numérique, résolution, problèmes