 Volume 35 numéro 27 9 avril 2001 |
Vaincre
la malédiction de la dimensionnalité
Yoshua
Bengio obtient une chaire de recherche pour concevoir des algorithmes
intelligents
 |
|
La malédiction
de la dimensionnalité n’est pas une nouvelle façon
de désigner la petitesse de l’être humain dans sa
carapace à trois dimensions. Il s’agit plutôt de
celle qui hante les informaticiens qui veulent concevoir des programmes
intelligents capables de «comprendre» des centaines de
millions de renseignements et qui se heurtent aux limites de la machine.
«Quand le nombre de dimensions ou de variables est très
élevé, nos méthodes se cassent la figure, avoue
Yoshua Bengio. L’être humain peut apprendre à partir
d’un cas et appliquer cet apprentissage à de nouvelles
situations. Mais alors que les ordinateurs sont facilement capables
d’apprendre par cœur, il leur est beaucoup plus difficile
de généraliser leurs données à de nouveaux
cas. Les algorithmes d’apprentissage permettent de le faire,
mais pas aussi bien que les humains.»
Reconnu comme une sommité internationale des algorithmes d’apprentissage,
le professeur du Département d’informatique et de recherche
opérationnelle s’est vu attribuer en décembre dernier
une chaire canadienne de niveau 2 en recherche sur les algorithmes
d’apprentissage statistique. Son défi est de vaincre la
malédiction de la dimensionnalité afin de rendre les
ordinateurs plus «intelligents».
Neurones artificiels
Le défi est de taille puisque les problèmes à
résoudre portent sur les combinaisons de millions de données
dont les ramifications croissent de façon exponentielle avec
l’augmentation de l’information. Les algorithmes auxquels
il recourt pour régler ces problèmes à grande
quantité de variables s’inspirent des connexions neuronales,
d’où l’appellation de «réseaux de neurones».
Les travaux de Yoshua Bengio dans ce domaine ont conduit les chercheurs
à abandonner une piste suivie pendant une dizaine d’années,
soit les systèmes de réseaux récurrents. «Les
réseaux récurrents sont des modèles mathématiques
qui fonctionnent en boucle, explique-t-il. Mais cette méthode
d’apprentissage est trop limitée par rapport aux applications
qu’on veut en tirer.»
Sa méthode porte donc sur des réseaux non récurrents
qui pourraient permettre à l’ordinateur d’apprendre
à partir de données qu’il possède déjà,
un peu comme le fait le cerveau humain à partir de catégories
ou de connaissances déjà acquises.
Voici un exemple simple: comment faire en sorte qu’à partir
de la numérisation de l’image d’une bouteille, qui
comporte des millions de pixels, l’ordinateur soit en mesure
de reconnaître qu’un objet semblable mais différent
est aussi une bouteille. De façon plus utilitaire, cette méthode
appliquée au domaine de l’assurance devrait permettre
aux ordinateurs de reconnaître d’éventuels fraudeurs
parmi les nouveaux clients d’une compagnie à partir des
données sur ses clients reconnus comme étant soit des
fraudeurs, soit des non-fraudeurs.
Les domaines d’application des algorithmes d’apprentissage
sont très nombreux: mentionnons l’évaluation des
risques financiers, les effets de nouvelles molécules en vue
de produire des médicaments, les logiciels de traduction, les
appareils de reconnaissance de la parole ou de l’écriture
manuscrite, les caractéristiques démographiques d’une
population, la téléphonie cellulaire, etc.
Dans ce type de recherches sur l’intelligence artificielle, Yoshua
Bengio demeure à l’affût de ce qui se fait du côté
de l’intelligence humaine. «On ne sait pas comment fonctionne
l’intelligence de l’être humain, mais il y a une tradition
de relations entre les deux domaines, souligne-t-il. Les connaissances
sur l’intelligence peuvent nous suggérer des pistes pour
concevoir des algorithmes alors que la compréhension mathématique
peut éclairer les recherches sur l’intelligence. Des disciplines
apparemment très différentes peuvent ainsi se stimuler
l’une l’autre et entraîner des recherches fructueuses.»
Daniel Baril
