Google est depuis plusieurs années un acteur fondamental de l'intelligence artificielle. À l'occasion de l'événement MadeWithAI qui s'est tenu dans les locaux de Google à Tokyo, l'un des principaux chercheurs (Senior Fellow) de la firme, Jeffrey Dean, a évoqué le futur du domaine pour Google. Il a également abordé le projet AutoML et révélé que le système était parvenu à créer son propre réseau de neurones IA.
Poursuivre le développement vers l'IA
Google se concentre sur sa volonté de se réinventer autour de l'IA. Le géant américain a en ce sens fait part de ses avancées dans différents domaines à travers ses applications (Gmail, Google Photos, Google Translate), son assistant personnel (Google Assistant) et son portefeuille de programmes (Google Home, Pixel, Pixel Buds). Plusieurs chefs de produits et ingénieurs sont intervenus pour présentés les fonctionnalités Google basées sur l'IA dont Jeffrey Dean. Il a rappelé les 3 objectifs de Google en ce qui concerne l'IA :- Rendre ses produits plus utiles,
- Aider les développeurs et les entreprises à innover
- Fournir aux chercheurs des outils performants pour relever les défis à venir.
Le machine learning pour entraîner et générer d'autres modèles de machine learning
À l'heure actuelle, la plupart des intelligences artificielles sont créées autour de réseaux de neurones qui vont simuler le fonctionnement du cerveau humain afin d'apprendre. Ils sont entraînés selon leur usage mais cela implique d'avoir de grands volumes de données et une présence humaine pour vérifier que l'IA apprenne correctement. C'est sur ce point que Google est en train de travailler. Le chercheur a profité du MadeWithAI pour apporter des éclaircissements concernant le projet de Google sur AutoML. Ce dernier utilise les modèles de machine learning pour générer d'autres modèles de machine learning. Comme l'a indiqué Jeffrey Dean:"Basiquement, nous générons dix modèles de machine learning, puis nous les formons sur un problème qui nous intéresse. Et nous voyons ceux qui fonctionnent bien, et ceux qui ne fonctionnent pas. Nous pouvons utiliser ce signal comme feedback pour le modèle de génération de machine learning, où il peut dire: 'Ceux-ci ne fonctionnaient pas très bien, alors ne faites pas beaucoup comme ça ; et celui-ci a très bien fonctionné, alors faites-en plus comme ça'. Et nous répétons l'opération. Nous pourrions générer 15 000 ou 20 000 modèles et les former sur un problème qui nous tient à cœur. C'est en fait un peu comme un expert en machine learning qui essaie de trouver un bon modèle. C'est essentiellement automatisé maintenant. Et ça marche vraiment, vraiment bien."Selon Jeffrey Dean, l'intelligence artificielle de reconnaissance d'images d'AutoML obtient un taux d'exactitude de 82%, ce qui est bien supérieur aux intelligences artificielles créées humaines pour l'instant.