La recherche dans le domaine de l’apprentissage automatique et de l’IA, désormais une technologie clé dans pratiquement toutes les industries et entreprises, est beaucoup trop volumineuse pour que quiconque puisse tout lire. Cette colonne, Perceptron (anciennement Deep Science), vise à rassembler certaines des découvertes et des articles récents les plus pertinents – en particulier, mais sans s’y limiter, l’intelligence artificielle – et à expliquer pourquoi ils sont importants.
Cette semaine dans AI, des chercheurs ont découvert une méthode qui pourrait permettre à des adversaires de suivre les mouvements de robots télécommandés même lorsque les communications des robots sont cryptées de bout en bout. Les co-auteurs, originaires de l’Université de Strathclyde à Glasgow, ont déclaré que leur étude montre que l’adoption des meilleures pratiques de cybersécurité ne suffit pas pour arrêter les attaques contre les systèmes autonomes.
La télécommande, ou téléopération, promet de permettre aux opérateurs de guider à distance un ou plusieurs robots dans des environnements variés. Des startups telles que Pollen Robotics, Beam et Tortoise ont démontré l’utilité des robots téléopérés dans les épiceries, les hôpitaux et les bureaux. D’autres sociétés développent des robots télécommandés pour des tâches telles que le déminage ou la surveillance de sites fortement irradiés.
Mais la nouvelle recherche montre que la téléopération, même lorsqu’elle est supposée « sécurisée », est risquée dans sa susceptibilité à la surveillance. Les co-auteurs de Strathclyde décrivent dans un article l’utilisation d’un réseau de neurones pour déduire des informations sur les opérations effectuées par un robot télécommandé. Après avoir collecté des échantillons de trafic protégé par TLS entre le robot et le contrôleur et effectué une analyse, ils ont découvert que le réseau de neurones pouvait identifier les mouvements environ 60 % du temps et également reconstruire des « flux de travail d’entreposage » (par exemple, ramasser des colis) avec « un précision. »
Crédits image : Shah et al.
Une nouvelle étude de chercheurs de Google et de l’Université du Michigan est alarmante et moins immédiate. Le travail a sondé les utilisateurs indiens « financièrement stressés » de plates-formes de prêt instantané qui ciblent les emprunteurs avec un crédit déterminé par l’IA de modélisation des risques. Selon les co-auteurs, les utilisateurs ont éprouvé un sentiment d’endettement pour la « avantage » des prêts instantanés et une obligation d’accepter des conditions sévères, de sur-partager des données sensibles et de payer des frais élevés.
Les chercheurs affirment que les résultats illustrent la nécessité d’une plus grande « responsabilité algorithmique », en particulier en ce qui concerne l’IA dans les services financiers. « Nous soutenons que la responsabilité est façonnée par les relations de pouvoir entre la plate-forme et l’utilisateur et exhortons les décideurs à adopter une approche purement technique pour favoriser la responsabilité algorithmique », ont-ils écrit. « Au lieu de cela, nous appelons à des interventions situées qui améliorent l’agence des utilisateurs, permettent une transparence significative, reconfigurent les relations concepteur-utilisateur et suscitent une réflexion critique chez les praticiens vers une plus grande responsabilité. »
Dans des recherches moins austères, une équipe de scientifiques de l’Université TU Dortmund, de l’Université Rhin-Waal et de la LIACS Universiteit Leiden aux Pays-Bas a développé un algorithme qui, selon eux, peut « résoudre » le jeu Rocket League. Motivée à trouver un moyen moins gourmand en calculs pour créer une IA de jeu, l’équipe a tiré parti de ce qu’elle appelle une technique de transfert « sim-to-sim », qui a entraîné le système d’IA à effectuer des tâches dans le jeu comme le gardien de but et la frappe dans un espace dépouillé. -down, version simplifiée de Rocket League. (Rocket League ressemble fondamentalement au football en salle, sauf avec des voitures au lieu de joueurs humains en équipes de trois.)
Crédits image : Pleines et al.
Ce n’était pas parfait, mais le système de jeu Rocket League des chercheurs a réussi à sauver presque tous les tirs tirés lors du gardien de but. Lorsqu’il était à l’offensive, le système a réussi à marquer 75% des tirs – un record respectable.
Les simulateurs de mouvements humains progressent également à un rythme soutenu. Le travail de Meta sur le suivi et la simulation des membres humains a des applications évidentes dans ses produits AR et VR, mais il pourrait également être utilisé plus largement dans la robotique et l’IA incarnée. Les recherches publiées cette semaine ont reçu un pourboire de la part de nul autre que Mark Zuckerberg.
Squelette et groupes musculaires simulés dans Myosuite. Crédits image : Méta
MyoSuite simule les muscles et les squelettes en 3D lorsqu’ils interagissent avec les objets et eux-mêmes. Il est important que les agents apprennent à tenir et à manipuler correctement les objets sans les écraser ni les faire tomber, et également dans un monde virtuel, à fournir des prises et des interactions réalistes. Il s’exécute soi-disant des milliers de fois plus vite sur certaines tâches, ce qui permet aux processus d’apprentissage simulés de se dérouler beaucoup plus rapidement. « Nous allons rendre ces modèles open source afin que les chercheurs puissent les utiliser pour faire progresser le domaine », déclare Zuck. Et ils l’ont fait !
Beaucoup de ces simulations sont basées sur des agents ou des objets, mais ce projet du MIT vise à simuler un système global d’agents indépendants : les voitures autonomes. L’idée est que si vous avez un bon nombre de voitures sur la route, vous pouvez les faire travailler ensemble non seulement pour éviter les collisions, mais aussi pour éviter la marche au ralenti et les arrêts inutiles aux feux.
Si vous regardez attentivement, seules les voitures avant s’arrêtent vraiment. Crédits image : MIT
Comme vous pouvez le voir dans l’animation ci-dessus, un ensemble de véhicules autonomes communiquant à l’aide de protocoles V2V peut essentiellement empêcher toutes les voitures sauf les premières de s’arrêter en ralentissant progressivement les unes derrière les autres, mais pas au point de s’arrêter. Ce type de comportement hypermiling peut sembler ne pas économiser beaucoup d’essence ou de batterie, mais lorsque vous l’étendez à des milliers ou des millions de voitures, cela fait une différence — et cela pourrait aussi être une conduite plus confortable. Bonne chance pour que tout le monde s’approche de l’intersection parfaitement espacée comme ça, cependant.
La Suisse se regarde bien et longuement en utilisant la technologie de numérisation 3D. Le pays est en train de créer une immense carte à l’aide de drones équipés de lidar et d’autres outils, mais il y a un hic : le mouvement du drone (délibéré et accidentel) introduit une erreur dans la carte des points qui doit être corrigée manuellement. Ce n’est pas un problème si vous ne scannez qu’un seul bâtiment mais un pays entier ?
Heureusement, une équipe de l’EPFL intègre un modèle ML directement dans la pile de capture lidar qui peut déterminer quand un objet a été scanné plusieurs fois sous différents angles et utiliser ces informations pour aligner la carte de points en un seul maillage cohérent. Cet article de presse n’est pas particulièrement éclairant, mais le document qui l’accompagne va plus en détail. Un exemple de la carte résultante est visible dans la vidéo ci-dessus.
Enfin, dans des nouvelles inattendues mais très agréables sur l’IA, une équipe de l’Université de Zurich a conçu un algorithme pour suivre le comportement des animaux afin que les zoologistes n’aient pas à parcourir des semaines de séquences pour trouver les deux exemples de danses de cour. C’est une collaboration avec le zoo de Zurich, ce qui est logique si l’on considère ce qui suit : « Notre méthode peut reconnaître même des changements de comportement subtils ou rares chez les animaux de recherche, tels que des signes de stress, d’anxiété ou d’inconfort », a déclaré Mehmet Fatih Yanik, directeur du laboratoire.
Ainsi, l’outil pourrait être utilisé à la fois pour apprendre et suivre les comportements en captivité, pour le bien-être des animaux captifs dans les zoos et pour d’autres formes d’études sur les animaux. Ils pourraient utiliser moins d’animaux sujets et obtenir plus d’informations en moins de temps, avec moins de travail de la part des étudiants diplômés se penchant sur des fichiers vidéo tard dans la nuit. Cela ressemble à une situation gagnant-gagnant-gagnant pour moi.
Crédits image : Ella Marushenko / ETH Zurich
Aussi, j’adore l’illustration.