Comment former votre système d’Intelligence Artificielle ?

Cette question est pertinente, car de nombreux systèmes d’apprentissage profond sont encore des boîtes noires. Des informaticiens des Pays-Bas et d’Espagne ont maintenant déterminé comment un système d’apprentissage profond bien adapté à la reconnaissance d’images apprend à reconnaître son environnement. Ils sont parvenus à simplifier le processus d’apprentissage en forçant le système à se concentrer sur des caractéristiques secondaires.

Des milliers de “neurones” imite la façon dont notre cerveau apprend à reconnaître les images. Ces CNN sont performants, mais nous ne comprenons pas entièrement leur fonctionnement”, explique Estefanía Talavera Martinez, maître de conférences et chercheuse à l’Institut Bernoulli de mathématiques, d’informatique et d’intelligence artificielle de l’université de Groningue, aux Pays-Bas.

Comment alimenter son intelligence artificielle

Elle a elle-même utilisé des CNN pour analyser des images prises par des caméras portables dans le cadre de l’étude du comportement humain. Talavera Martinez a notamment étudié nos interactions avec la nourriture. Elle voulait donc que le système reconnaisse les différents contextes dans lesquels les gens rencontrent la nourriture. J’ai remarqué que le système faisait des erreurs dans la classification de certaines images et j’ai voulu savoir pourquoi cela se produisait.

En utilisant des cartes thermiques, elle a analysé quelles parties des images étaient utilisées par les CNN pour identifier le cadre. Cela a conduit à l’hypothèse que le système ne regardait pas suffisamment les détails”, explique-t-elle. Par exemple, si un système d’IA a appris à utiliser des tasses pour identifier une cuisine, il classera à tort les salons, les bureaux et d’autres lieux où des tasses sont utilisées. La solution mise au point par Talavera Martinez et ses collègues David Morales (Institut andalou de recherche en science des données et en intelligence informatique, Université de Grenade) et Beatriz Remeseiro (Département d’informatique, Université d’Oviedo), tous deux en Espagne, consiste à détourner le système de ses cibles principales.

Comment l’Intelligence Artificielle gère les données floutées

Ils ont entraîné des CNN à l’aide d’un ensemble d’images standard d’avions ou de voitures et ont identifié, grâce à des cartes thermiques, les parties des images utilisées pour la classification. Ensuite, ces parties ont été floutées dans le jeu d’images, qui a ensuite été utilisé pour un deuxième cycle d’entraînement. Cela oblige le système à chercher des identificateurs ailleurs. Et en utilisant ces informations supplémentaires, il devient plus fin dans sa classification”. L’approche a bien fonctionné dans les ensembles d’images standard, et a également donné de bons résultats dans les images que Talavera Martinez avait recueillies elle-même à l’aide des caméras portables. Notre régime d’entraînement nous donne des résultats similaires à d’autres approches, mais il est beaucoup plus simple et nécessite moins de temps de calcul. Les tentatives précédentes pour améliorer la classification fine comprenaient la combinaison de différents ensembles de CNN. L’approche développée par Talavera Martinez et ses collègues est beaucoup plus légère. Cette étude nous a donné une meilleure idée de la façon dont ces CNN apprennent, ce qui nous a permis d’améliorer le programme de formation.</div>Elle a elle-même utilisé des CNN pour analyser des images prises par des caméras portables dans le cadre de l’étude du comportement humain. Talavera Martinez a notamment étudié nos interactions avec la nourriture. Elle voulait donc que le système reconnaisse les différents contextes dans lesquels les gens rencontrent la nourriture. J’ai remarqué que le système faisait des erreurs dans la classification de certaines images et j’ai voulu savoir pourquoi cela se produisait.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *