Introduction :
Les modèles d'apprentissage automatique à mémoire limitée tirent leurs connaissances de contenus, de faits, de stockage local ou de situations déjà appris. Contrairement aux machines réactives, les machines à mémoire limitée peuvent apprendre du passé en analysant les actions ou les données qui leur sont fournies afin d'accumuler des connaissances provisoires.
Qu'est-ce que l'IA à mémoire limitée ?
Comme son nom l'indique, l'IA à mémoire limitée est constituée de machines capables de regarder dans le passé. Elle apprend des expériences passées en observant les données ou les actions. Ce type d'IA utilise des connaissances historiques associées à des informations préprogrammées et fait des prédictions tout en exécutant des tâches complexes.[1]
Comment fonctionne l'IA à mémoire limitée ?
L'IA à mémoire limitée est utilisée lorsque l'équipe entraîne continuellement le modèle sur la manière d'analyser et d'utiliser les données, et c'est sur la base de cette expérience que la machine prédit les résultats futurs.
Six étapes doivent être suivies lors de l'utilisation de l'IA à mémoire limitée dans l'apprentissage automatique :
- Le modèle d'apprentissage automatique nécessaire est créé.
- Le modèle doit être capable de faire des prévisions ou des estimations.
- Le modèle doit être capable d'accepter un retour social.
- Le modèle doit accepter la réponse de l'environnement.
- Le retour d'information doit être enregistré sous forme de données.
- Ces phases doivent impérativement être répétées en séquence.
Quelles sont les principales approches d'apprentissage automatique qui utilisent l'intelligence artificielle à mémoire limitée ?
Apprentissage par renforcement:
C'est un type d'apprentissage automatique qui apprend à produire de meilleures prévisions ou prédictions par l'expérimentation ou par essais et erreurs.
Mémoire à long et court terme (LSTM):
C'est un type de mémoire qui utilise les informations précédentes pour anticiper l'élément suivant d'une séquence. Lorsqu'ils génèrent des prévisions, les LSTM privilégient les données les plus récentes et dévalorisent les données historiques, tout en continuant à les utiliser pour tirer des inférences.
Réseaux antagonistes génératifs évolutionnaires (E-GAN) :
Il évolue au fil du temps en empruntant des chemins légèrement différents selon les expériences passées. Ce modèle cherche continuellement un meilleur chemin pendant son cycle de mutation évolutive, et il atteint ses objectifs à l'aide de simulations, de statistiques ou du hasard.[2]
Quel est un exemple d'IA à mémoire limitée ?
Par exemple, les véhicules autonomes utilisent l'IA à mémoire limitée pour surveiller la vitesse et la direction des autres automobiles, ce qui les aide à « lire la route » et à effectuer les ajustements nécessaires. Ils sont plus sûrs sur les routes grâce à ce processus d'analyse et d'interprétation des données entrantes.
La mémoire limitée, en revanche, reste restreinte, comme son nom l'indique. Les données utilisées par les voitures autonomes sont momentanées et ne sont pas conservées dans la mémoire à long terme du véhicule.
Quelles sont quelques caractéristiques de l'IA à mémoire limitée ?
- Capable de gérer des tâches complexes.
- Capable de stocker l'expérience historique.
- C'est l'état actuel de l'IA, et certains disent que nous avons atteint un mur.
Conclusion :
Les machines à mémoire limitée peuvent utiliser leurs expériences antérieures pour porter des jugements efficaces. Les observations de données sont analysées par les machines à l'aide de leur base théorique préprogrammée. Les données observées sont conservées brièvement, puis supprimées.
- Understanding the Four Types of Artificial Intelligence. 14 novembre 2016 ; Disponible sur : https://www.govtech.com/computing/understanding-the-four-types-of-artificial-intelligence.html.
- Introduction to AI. Disponible sur : https://builtin.com/artificial-intelligence.
Exemples d'IA à mémoire limitée
La plupart des IA que vous utilisez au quotidien sont des IA à mémoire limitée. Voici des exemples courants :
- Les voitures autonomes suivent la vitesse, la direction et la distance des véhicules et des piétons proches sur une courte fenêtre de temps, et combinent ces données avec leurs connaissances acquises des règles de la route.
- Les chatbots et assistants virtuels utilisent la conversation en cours pour fournir des réponses pertinentes.
- Les systèmes de recommandation des applications de vidéo, de musique et d'achats apprennent de votre activité récente.
- La détection de fraude compare une nouvelle transaction avec votre schéma de dépenses récent.
- Les applications de navigation utilisent les données de trafic récentes pour suggérer des itinéraires plus rapides.
- Reconnaissance d'images et de visages : des modèles entraînés sur de grands ensembles de photos.
- La prévision de la demande utilise les ventes récentes pour prédire les besoins en stock de la semaine suivante ; voir l'analyse par IA.
Comment fonctionne l'IA à mémoire limitée
Un modèle est d'abord entraîné sur un grand ensemble de données passées. Lorsqu'il fonctionne, il conserve aussi une mémoire à court terme des entrées récentes. Il ne garde pas cette mémoire indéfiniment, ce qui explique le terme « limitée ». Comparez avec une machine réactive, qui n'a aucune mémoire.
Réponses rapides
ChatGPT est-il une IA à mémoire limitée ?
Les grands modèles de langage sont généralement classés parmi les IA à mémoire limitée, car ils sont entraînés sur des données passées et utilisent la conversation en cours comme contexte à court terme.
Quelle est la différence entre l'IA à mémoire limitée et l'IA à théorie de l'esprit ?
L'IA à mémoire limitée utilise des données récentes pour prendre des décisions. L'IA à théorie de l'esprit comprendrait aussi les croyances et les émotions humaines, ce que les systèmes actuels ne font pas réellement. Voir l'IA à théorie de l'esprit.
Les entreprises peuvent-elles utiliser l'IA à mémoire limitée ?
Oui. Les chatbots clients, la prévision et la recherche documentaire sont tous des IA à mémoire limitée. Découvrez nos services de développement d'IA.
