Des chercheurs de l’université de Zurich sont parvenus à mettre au point un algorithme permettant à un drone autonome de battre deux pilotes chevronnés sur un circuit expérimental.
Ben techniquement c’est clairement logique comme résultat non ? avec la puissance de calcul de nos jours, sur une tache ‹ simple › et "unique’ un ordi ira toujours plus vite que nous.
Reste a l’humain l’adaptation a l’innatendu, ce qui l’ia a encore beaucoup de mal a gérer.
Ben perso ça ne m’impressionne pas. Ce type de performance on peut déjà les obtenir via les algo genetic. La ils sont juste aller plus vite pour « nourrir » l’algo en partant de deux pilotes plutôt que de laisser l’IA apprendre toute seule.
(exemple d’un algo genetic : https://www.youtube.com/watch?v=a8Bo2DHrrow )
Pas si simple pour tout, la conduite de voiture autonome c’est pas encore çà par exemple.
Détrompe toi. L’IA régit AUSSI plus vite et plus surement que l’homme.
Des amis qui bossent sur les drones ont développé un truc équivalent. Sur un parcours inconnu, le drone autonome est bien plus sûr que le pilote humain même si il tâtonne plus, et il est plus performant si il y a des perturbations aléatoires sur un parcours connu (objets jetés, perturbations aérodynamique, obstacle difficilement détectable, …). Il n’y a jeu égal que sur un parcours connu sans aléas.
Par contre leurs drones ont 2 caméras frontales et des détecteurs ultra-sons par pair (il me semble 6 pairs pour les 3 axes. Je ne sais pas si tous les calculs sont embarqués, mais je ne pense pas, le but est surtout d’avoir des engins aptes au secours, donc solides, légers, puissants et fiables, un ordi embarqué lourd, fragile et qui consomme n’est pas terrible.
1 « J'aime »
Pas sur que les algos génétiques soient la solution. Ces algos sont très rapides, mais ne trouvent qu’un optimum local et quasiment jamais un optimum global sur des situations complexes, dans ce cas une IA est plus performante (un peu moins rapide mais plus proche statistiquement de l’optimum).
Tout dépend des paramètres que tu lui donnes. Si par exemple tu lui donne un paramètre de temps, il va essayer encore et encore jusqu’à atteindre cet objectif.
Le seul problème c’est que l’apprentissage peut mettre beaucoup de temps. En fait plus on se rapproche de l’optimal et plus ce sera long pour progresser.
Mais quand le nombre d’itération est suffisant ces algo deviennent aussi performant que des humains. De plus tu peux leur adjoindre des fonctions de généralisation (en cas de situation inconnue)
L’algo génétique n’est vraiment efficace que sur des tâches simples et répétitives (par exemple path finder) comme tout algo programmé, il n’a aucune faculté à affronter des problèmes inconnus, contrairement à l’IA qui est très performante grâce à son adaptabilité si les entrainements et la profondeur du réseau de neurones sont bien adaptés.
Ca m’intéresse d’avoir tes arguments pour dire que « ces algo deviennent aussi performant que des humains ». Je ne vois pas comment (mais je ne suis pas un spécialiste des IA est des algos génétiques, juste un utilisateur averti! 
).
Tu fais une confusion entre IA et Algo… Une IA peut être conçu avec un tas d’algo différent, y compris des algo génétique.
L’exemple que j’ai montré via TrackMania, c’est une IA, utilisant du machine learning. Et cet apprentissage est effectué via l’algorithme génétique « NEAT ». (ou un dérivé). Algorithme NEAT — Wikipédia
C’est une IA, qui apprend, et qui est capable de concept de généralisation en cas de situations inconnues. Sa performance ne dépend que du nombre d’itérations d’apprentissage. (évidemment par rapport à un domaine particulier, tu vas pas demander à une IA de drone de course de te cuisiner un baba au rhum)
My bad!
J’ai généralisé IA → réseau de neurones (et pas fait une confusion IA et algo), c’est mon utilisation quotidienne qui m’a « fermé » l’esprit.
Et je ne savais pas que l’on pouvait utiliser les algos génétiques pour justement faire des réseaux de neurones. C’est intéressant car les limitations des algos génétiques sont justement la non adaptabilité et les optimums locaux contrairement aux réseaux de neurones. Je vais creuser la théorie, ça pourrait me servir!
Hum cette apologie de l’ia…
Je cite je ne sais plus quel professeur en IA :
« montrer 4 photos de chat a un enfant de 2 ans il reconnaitra tout les chat du monde, montrer 5000 photos a une IA il en loupera tout sa vie »
L’ia est plus rapide, plus performante, ne fatigue pas, peu apprendre quasi a l’infin, n’ai pas perturbé par une autre pensée ou sensation, par contre le ‹ i › de intelligence, n’a rien a voir avec l’intelligence d’un humain, qui lui est clairement supérieur actuellement, l’adaptabilité de l’humain sur l’inconnu n’a aucune crainte face a une IA ( pour le moment ).
je prend pour exemple le mec qui ce baladait avec un teeshirt avec un panneau stop dans le dos, qui faisait arreter toute les tesla, un humain n’aurait jamais fait l’erreur, pour une IA c’est BEAUCOUP plus compliqué a comprendre.
Je ne fais aucune apologie.
J’utilise des IAs donc je sais ce que c’est, je connais leurs forces et leurs limites.
Je suis tout à fait d’accord que le I de IA ne réfère pas à l’intelligence humaine.
Cependant dans des cas particuliers et en environnement relativement contrôlé, elles sont en général bien plus efficace que l’humain (bien sur si elles sont dimensionnées et entrainées de manière adéquat), c’est un fait.
Et l’exemple du tee-shirt ou des panneaux de pub, problème marrant pour les Tesla, vient plutôt d’un biais de sélection que de l’IA elle-même. Les « entraineurs » n’ont pas assez insisté sur le fait que l’environnement peut tromper le système. De plus les algos de sécurité sont trop raides dans pas mal de cas, un humain n’hésite pas à faire un truc interdit, voir dangereux sans calculer le risque (dépassement d’un obstacle sans visibilité suffisante), ce que ne fait pas une IA (et à raison, qui accepterait qu’une machine prenne un risque!), qui reste donc bloquée bêtement derrière un camion en panne.
Et juste pour le fun, trouve sur le net un prog d’IA de reconnaissance d’animaux. Tu verras qu’un réseau neuronal en python hyper simple (profondeur de 2 à 3, une dizaine de neurones) reconnait au moins aussi bien que toi les chiens et les chats et avec seulement un entrainement sur 5000 échantillons. On est plus en 2005 ou on était limité par la puissance de calcul (un simple i5 ou r5 basique actuel offre des perfs honorables) et par le pré-traitement des images qui est maintenant théorisé, voir standardisé et super efficace (les images sont « normées » et permettent un traitement ultra rapide). Pour en revenir à l’enfant de 2 ans, je te rappelle qu’il n’est pas entrainé avec 4 images, mais de manière systématique à 8h par jour depuis 2 ans, les 5000 images du réseau, c’est juste pour le mettre au même niveau que le gamin!