🤖 L'intelligence artificielle surprend en utilisant une "voix intérieure"

La pratique consistant à parler tout seul, souvent perçue comme une caractéristique humaine, pourrait devenir un atout majeur pour les intelligences artificielles. Tout comme ce dialogue intérieur nous aide à réfléchir ou à choisir une direction, il permet également aux systèmes d'IA d'apprendre plus efficacement et de s'ajuster à de nouvelles circonstances avec une quantité réduite d'informations.

Une recherche publiée dans Neural Computation démontre que l'association de ce monologue interne avec une mémoire à court terme spécialement conçue améliore nettement les performances des modèles.


Les scientifiques de l'Okinawa Institute of Science and Technology ont observé que cette méthode autorise les systèmes à traiter plusieurs tâches en parallèle et à résoudre des problèmes élaborés avec plus d'aisance. Pour y parvenir, l'équipe a organisé les données d'entraînement de manière à enseigner à l'IA l'art de se parler à elle-même.

Cette approche s'appuie sur une mémoire de travail qui conserve temporairement des données, à la manière de notre cerveau lorsqu'il suit des consignes ou effectue des calculs rapides. Les tests ont comparé différentes structures de mémoire, révélant des écarts notables. Les modèles équipés de plusieurs emplacements de mémoire temporaire ont mieux surmonté certaines épreuves, comme inverser des séquences ou reproduire des motifs. Ils étaient capables de maintenir plusieurs éléments "en tête" et de les manipuler.

L'introduction d'objectifs de 'marmonnage' interne, où le système est invité à se parler un nombre défini de fois, a encore accru son efficacité. Les progrès les plus nets ont été enregistrés dans le multitâche et les problèmes à étapes multiples. Par ailleurs, cette combinaison fonctionne même avec des jeux de données restreints, contrairement aux volumineux ensembles habituellement requis pour l'entraînement. Elle propose donc une alternative légère et complémentaire.

Les chercheurs envisagent désormais d'appliquer cette méthode à des milieux plus réalistes et moins structurés. En effet, les choix s'opèrent souvent dans des environnements bruyants et imprévisibles. Reproduire ces conditions permettrait de se rapprocher de l'apprentissage développemental humain. Cette percée aide aussi à éclaircir certains mécanismes cérébraux, traçant la route vers des applications concrètes.