Ce modèle d’IA est plus certain de l’incertitude

L’intelligence artificielle (IA) joue un rôle dans pratiquement tous les aspects de nos vies, des voitures autonomes aux aspirateurs intelligents, aux modèles informatiques qui peuvent prédire le cours d’une épidémie. Peu importe à quel point ces systèmes d’IA sont avancés, il reste toujours un certain degré d’imprévisibilité quant à leur comportement.

Thom Badings a développé une nouvelle méthode pour inclure cette incertitude dans les algorithmes prédictifs, afin qu’une solution sûre puisse être obtenue. Son doctorat La défense a lieu le 27 mars à l’Université Radboud.

Lorsqu’un modèle d’IA fonctionne bien, tout semble fonctionner sans effort: la voiture atteint sa destination, le drone vole sans s’écraser et les prévisions économiques s’avèrent complètement correctes. Mais dans la pratique, les systèmes contrôlés par l’IA rencontrent de nombreuses incertitudes. Le drone doit prendre en compte les oiseaux et le vent, et la voiture autonome doit être capable d’éviter les gens traverser soudainement la route et les travaux routiers. Alors, comment vous assurez-vous que tout continue de fonctionner « sans effort? »

Modèles de Markov

« C’est pourquoi mes collègues et moi avons développé des méthodes pour garantir la précision et la fiabilité des systèmes complexes avec des degrés d’incertitude élevés », explique les mal. « De nombreuses méthodes existantes ont du mal à faire face à cette incertitude. Ils nécessitent beaucoup de calculs, ou ils s’appuient sur des hypothèses restrictives, ce qui signifie que l’incertitude n’est pas correctement prise en compte. Notre méthode crée un modèle mathématique de cette incertitude, par exemple, sur la base de données historiques, afin qu’une prédiction précise puisse être rendue beaucoup plus rapide. »

La méthode de Badings est basée sur des systèmes de modélisation sous la forme de modèles de Markov, une catégorie de modèles existante souvent utilisée dans l’ingénierie de contrôle, l’IA et la théorie des décisions. « Dans un modèle de Markov, nous pouvons explicitement inclure l’incertitude dans des paramètres spécifiques, par exemple, pour la vitesse du vent ou le poids d’un drone. Nous branchons ensuite le modèle de l’incertitude, tel qu’une distribution de probabilité sur ces paramètres, dans le modèle de Markov.

« En utilisant des techniques de l’ingénierie du contrôle et de l’informatique, nous pouvons alors prouver si ce modèle se comporte en toute sécurité, malgré la certitude du modèle. De cette façon, vous pouvez obtenir une réponse exacte à la question de savoir quelle est la probabilité que votre drone entre en collision avec un obstacle, sans avoir à simuler chaque scénario séparément. »

Embrasser l’incertitude

« L’objectif ultime n’est pas d’éliminer l’incertitude, mais de l’adopter. Vous savez que tout ce que vous faites implique l’incertitude, mais en le modélisant de cette manière, vous faites partie de votre analyse. Les résultats que vous obtenez, par conséquent, prennent en compte cette incertitude d’une manière qui est beaucoup plus complète qu’avec les méthodes existantes. »

Les malfaitements mettent en garde contre les limites de cette approche: « Si vous avez une situation avec de nombreux paramètres, il reste coûteux d’inclure toute l’incertitude. Vous ne pouvez jamais éliminer complètement cette incertitude, vous devrez donc toujours faire des hypothèses pour obtenir des résultats significatifs. Ne présumez pas votre modèle les plus probables. »

Selon les indices, il est important d’utiliser des techniques à partir de différents domaines de recherche lors de l’analyse des systèmes avec l’IA. « Ne vous accrochez pas trop aux résultats que vous obtenez d’un modèle d’IA comme Chatgpt, mais utilisez des informations de l’ingénierie du contrôle, de l’informatique et de l’intelligence artificielle pour arriver à une solution robuste et sûre. »