Le fait que ce soit à base probabiliste ne nous donne pas vraiment d'informations sur la capacité à s'adapter facilement.
En particulier, pour calculer efficacement les probabilités dans un espace limité, avec un nombre de neurone contraint, il faut une forme de structuration de ces réseaux de neurones pour traîter l'information et en tirer des probabilités raisonnables. Cette structuration, pour fonctionner efficacement, ne doit-elle pas généraliser suffisamment pour s'adapter à d'autre problème ? La question n'est pas "proba ou pas" mais "comment ça généralise".
Exemple limite : un raisonnement mathématique. Prend un ensemble de démonstration mathématiques, à classer comme "correctes" ou "incorrecte", entraine le donc à discriminer le mathématiquement correct du mathématiquement incorrect. Les lois de la logiques ont des règles du jeu. Un réseau de neurone "séquentiel" peut en principe apprendre les différentes règles pertinentes, et classer leur application correcte ou pas, voire pointer directement les applications incorrectes.
Au cours de l'apprentissage, probabiliste, à force d'enquiller les démonstrations, il fait de moins en moins d'erreurs. C'est probabiliste. Une fois l'apprentissage terminé, on lui montre des démonstrations mathématiques, à classer en correctes et incorrectes. Dans le principe, il a "juste" à faire comme un correcteur humain, à vérifier pas à pas que les règles de la logiques sont respectées.
Sur ce principe, on part d'un apprentissage en mode probabiliste et on arrive à un résultat ou il n'y aura pas forcément d'erreurs ... La question est, est-ce que ce résultat est crédible, et est-ce que la capacité à s'adapter très largement à une large classe de démonstration mathématique qu'il n'a pas vu n'est pas une preuve d'adaptation très importante ?
Tout ça pour dire que la dichotomie que tu fais n'en est pas forcément une, le mode "probabiliste" n'est pas incompatible avec l'adaptation (au contraire même, dans certains cas ça rend beaucoup plus robuste, c'est ce qui permet de généraliser et de discriminer petit à petit ce qui n'est pas important en en baissant petit à petit le poids). Alors qu'un raisonnement binaire sera impossible à généraliser si on sort un tantinet du cadre et sera inapplicable si on est pas pile poil dans le cadre déterminé à l'avance.
[^] # Re: Pourquoi dire IA si on ne parle que des réseaux de neurones ?
Posté par thoasm . En réponse à la dépêche Une intelligence artificielle libre est-elle possible ?. Évalué à 3.
Le fait que ce soit à base probabiliste ne nous donne pas vraiment d'informations sur la capacité à s'adapter facilement.
En particulier, pour calculer efficacement les probabilités dans un espace limité, avec un nombre de neurone contraint, il faut une forme de structuration de ces réseaux de neurones pour traîter l'information et en tirer des probabilités raisonnables. Cette structuration, pour fonctionner efficacement, ne doit-elle pas généraliser suffisamment pour s'adapter à d'autre problème ? La question n'est pas "proba ou pas" mais "comment ça généralise".
Exemple limite : un raisonnement mathématique. Prend un ensemble de démonstration mathématiques, à classer comme "correctes" ou "incorrecte", entraine le donc à discriminer le mathématiquement correct du mathématiquement incorrect. Les lois de la logiques ont des règles du jeu. Un réseau de neurone "séquentiel" peut en principe apprendre les différentes règles pertinentes, et classer leur application correcte ou pas, voire pointer directement les applications incorrectes.
Au cours de l'apprentissage, probabiliste, à force d'enquiller les démonstrations, il fait de moins en moins d'erreurs. C'est probabiliste. Une fois l'apprentissage terminé, on lui montre des démonstrations mathématiques, à classer en correctes et incorrectes. Dans le principe, il a "juste" à faire comme un correcteur humain, à vérifier pas à pas que les règles de la logiques sont respectées.
Sur ce principe, on part d'un apprentissage en mode probabiliste et on arrive à un résultat ou il n'y aura pas forcément d'erreurs ... La question est, est-ce que ce résultat est crédible, et est-ce que la capacité à s'adapter très largement à une large classe de démonstration mathématique qu'il n'a pas vu n'est pas une preuve d'adaptation très importante ?
Tout ça pour dire que la dichotomie que tu fais n'en est pas forcément une, le mode "probabiliste" n'est pas incompatible avec l'adaptation (au contraire même, dans certains cas ça rend beaucoup plus robuste, c'est ce qui permet de généraliser et de discriminer petit à petit ce qui n'est pas important en en baissant petit à petit le poids). Alors qu'un raisonnement binaire sera impossible à généraliser si on sort un tantinet du cadre et sera inapplicable si on est pas pile poil dans le cadre déterminé à l'avance.