Apprentissage en profondeur pour la robotique

Cette méthode, le deep learning semble plus efficace que tout algorithme.

Le principe est d'apprendre les concepts les plus évolués en apprenant d'abord les concepts élémentaires.

Représentation des connaissances et robotique

Si l'on veut qu'une machine puisse reconnaître des objets, il y a plusieurs façons de présenter ces objets. Il faut donc chercher le mode de représentation le plus efficace pour une machine et on tend à penser actuellement que le deep learning est celui-ci. On va s'apercevoir que cette approche met en oeuvre des concepts que l'on retrouve souvent ailleurs, par exemple dans le cerveau humain où les neurones sont en interaction pour former des schémas, ou dans les réseaux sociaux où se forment des groupes d'influence.

Les concepts impliqués par le deep learning en robotique...

On construit une représentation en réseau où les interactions entre éléments du réseau, bien que ces éléments soient très simples aboutissent à des résultats intelligents et souvent impossibles à prévoir.
Les composants sont organisés en niveaux différents comme les objets du LOO. Ils s'assemblent en composants de niveau supérieurs qui eux-même peuvent s'assembler en composants plus évolués.
Ce que l'on peut obtenir d'une combinaison de facteurs peut s'appliquer à d'autres combinaisons.
On n'a souvent pas besoin de guider l'apprentissage. Si l'on présente une succession d'objets à la machine celle-ci va trouver par elle même celles qu'elle peut le mieux exploiter. Mais il y a aussi des algorithmes qui supervisent l'action de la machine pour la guider.

On voit que l'essentiel de la recherche dans le domaine de l'apprentissage concerne la reconnaissance d'objets. La capacité à identifier et différencier les objets est en effet la base de l'intelligence d'un robots qui doit se déplacer dans un environnement et interagir avec celui-ci. Par la suite, acquérir des comportements en fonction d'un but devient possible et pas forcément très compliqué à réaliser.

On voit aussi que la recherche s'attache à créer des algorithmes pour parvenir à la reconnaissance des objets, mais l'emploi du jargon qui est utilisé (voir les liens en référence) est plus que dissuasif. Ne peut on pas parvenir au même résultat sans passer des mois ou des années à construire des algorithmes qui ne fonctionneront d'ailleurs que dans des cas très limitatifs?

Une autre approche qui fait l'objet d'un brevet (8 254 699) consiste à à visualiser avec un logiciel des vidéos et des images en très grand nombre dans le but de parvenir à identifier les objets et leur rôle selon leur emplacement dans les images. Des noms sont donnés aux objets et des propriétés sont assignées aux noms qui sont déduites de tous ce qui est fait avec ces objets. Cela peut permettre une forme d'appentissage par imitation.

Une idée qui vient alors serait l'utilisation de toutes les connaissances disponibles sur le Web, que ce soit par les moteurs de recherche, les réseaux sociaux, les systèmes de surveillance, d'en répertorier les objets et leur assigner des propriétés comme le fait Google avec son graphe de connaissance pour les recherche sur une personne ou un lieu, une chose, puis d'utiliser ces connaissance pour donner l'intelligence aux robots.

Références

UFLD Tutorial. Par Stanford, l'apprentissage en profondeur non supervisé. (Anglais).
Deep Learning Tutorial. Par Socher.org, en anglais. Description très technique sur les réseaux neuronaux et les techniques associées.
Deep learning links. Liste de références en anglais.
Deep learning papers. Une autre liste par l'Université de Carnegie Mellon.