Les chercheurs de l’université de Bar-Ilan, en Israël, ont créé un nouveau type d’algorithmes d’intelligence artificielle révolutionnaire basé sur le fonctionnement du cerveau humain.

Inventé il y a environ 70 ans, le Machine Learning s’inspire au départ du processus d’apprentissage de notre cerveau humain.

Cependant, selon les chercheurs de l’université de Bar-Ilan, le lien entre neuroscience et intelligence artificielle est resté inexploité depuis lors.

C’est la raison pour laquelle ces scientifiques ont développé un nouveau type d’algorithmes d’IA basé sur le fonctionnement du cerveau.

Les algorithmes de Deep Learning plus récents sont capables de produire des résultats comparables à ceux des experts humains en exploitant la puissance des ordinateurs dernier cri et de larges ensembles de données.

Ø Toutefois, les techniques utilisées divergent désormais largement de l’apprentissage humain.

En fait, en tant que machine, le cerveau humain se révèle extrêmement lent.

En effet, sa vitesse de calcul peut être comparée à celle de l’aiguille des secondes d’une horloge, et le nombre de neurones est inférieur au nombre de bits du disque dur d’un PC moderne.

Par ailleurs, les règles d’apprentissage du cerveau sont très compliquées et distinctes des étapes d’apprentissage des algorithmes d’IA actuels.

En effet, le cerveau traite des entrées d’informations «asynchrones»* , tandis que les algorithmes sont basés sur des entrées synchrones.

Ceci permet au cerveau d’identifier l’ordre temporel et les positions relatives des entrées, à la différence algorithmes sont incapables.

Ainsi, par exemple, lors de la conduite d’une voiture, l’on observe les autres véhicules, les passages piétons et les panneaux routiers et l’on peut identifier facilement leur ordre temporel et leurs positions relatives.

Ce qui n’est pas le cas de l’intelligence artificielle.

Dans le cadre de leur étude, les chercheurs de l’université de Bar-Ilan ont pu arriver à la conclusion que la vitesse d’apprentissage des algorithmes imitant le fonctionnement du cerveau humain se révèle identique pour les petits et les grands réseaux de neurones.

Ceci prouve que le caractère compliqué du schéma d’apprentissage du cerveau est en fait un avantage.

En outre, en s’adaptant aux entrées asynchrones de façon autonome, les algorithmes peuvent apprendre sans avoir à passer par les différentes étapes d’apprentissage.

Dans le cerveau, ce phénomène survient au niveau des dendrites que l’on retrouve dans chaque neurone.

Ø Ainsi, les algorithmes basés sur la dynamique d’apprentissage très lente du cerveau se révèlent plus performants et plus efficaces que les algorithmes Deep Learning de dernière génération.

* Les circuits logiques séquentiels peuvent être groupés en deux grandes catégories :

- les circuits logiques séquentiels synchrones

- et les circuits logiques séquentiels asynchrones.

La différence fondamentale entre ces deux catégories se situe dans l'introduction de la notion de temps dans les circuits.

En effet, un circuit logique séquentiel synchrone incorpore une horloge qui sert à enclencher les actions,

tandis que les circuits logiques séquentiels asynchrones n'en présentent pas.

Un circuit asynchrone est une bascule dont la sortie évolue dès lors

qu’un changement a lieu sur l’une des entrées.